David J. Silvester, professor i matematik vid University of Manchester, har utvecklat en ny metod för maskininlärning som kan upptäcka plötsliga förändringar i vätskors beteende.
Metoden förbättrar både hastigheten och kostnaden för att identifiera dessa instabiliteter och övervinner därmed ett av de största hindren vid användning av maskininlärning för simulering av fysiska system. Resultaten har publicerats i Journal of Computational Physics.
Datorsimuleringar av matematiska modeller för vätskeflöden är avgörande för vardagliga tillämpningar, allt från väderprognoser till bedömning av kärnreaktorsäkerhet. Framväxten av denna simuleringskapacitet under de senaste 50 åren har revolutionerat utvecklingen av bränsleeffektiva flygplan, och segelkonfigurationer på tävlingsyachter kan nu optimeras i realtid, vilket ger de marginella vinster som krävs för att vinna tävlingar i America’s Cup.
Optimerad aerodynamik innebär att dagens cyklister kan cykla snabbare, golfbollar flyger längre och olympiska simmare ständigt sätter världsrekord. Beräkningsströmningsmekanik möjliggör också modellering av blodflödet i det mänskliga hjärtat, vilket gör det möjligt att utföra patientanpassade operationer.
Forskare och ingenjörer förlitar sig på datorbaserade simuleringar för att förstå, förutsäga och utforma dessa system som de inte enkelt kan testa i verkligheten. Men traditionella metoder för vätskesimulering kräver ofta timmar eller till och med dagar av beräkningar och har svårt att hantera situationer där flödet blir snabbt eller mycket komplext.
”Att lösa de tillförlitlighetsproblem som maskininlärningsmodeller stöter på skulle innebära stora fördelar för vetenskaplig forskning och teknik. Problemet är att naiva AI-prognoser av flöden som genereras enbart utifrån data med stor sannolikhet kommer att innehålla omöjliga scenarier. Detta är ett allvarligt problem när man förutsäger extrema händelser som tornados och tsunamier”, säger Silvester.
Simuleringar baserade på maskininlärning kan, när de väl är tränade, göra dessa bedömningar nästan omedelbart. Omedelbar feedback skulle möjliggöra snabba konstruktionstester, justeringar i realtid och snabba testvariationer utan den vanliga beräkningsbördan.
Silvesters studie använder stabiliteten i fluidrörelser som grund för en ny metod som förutsäger hur komplexa system beter sig. Istället för att förlita sig på kostsamma laboratorieexperiment genereras lösningar på de fundamentala ekvationerna för fluidrörelser numeriskt. Detta gör det möjligt att träna maskininlärningsmodellen på exakta, högkvalitativa data hämtade direkt från fysiken, vilket visar att modellen kan hantera utmanande simuleringar med precision.
Ett centralt fokus i arbetet är att identifiera bifurkationspunkter – de ögonblick då ett jämnt, stadigt flöde (laminärt flöde) plötsligt börjar förändras – liknande en lugn, jämnt strömmande flod som stöter på ett hinder, eller delar sig och vätskorna börjar blandas och bilda virvlar. Laminärt flöde är när en vätska beter sig på ett jämnt och ordnat sätt, som när man häller honung, flödet är konsekvent och stadigt.
Genom att framgångsrikt använda en maskininlärningsmodell för att identifiera de punkter där ett system ändrar beteende eller, i detta fall, förgrenar sig, antyder studien att maskininlärningsbaserade modeller, med ytterligare förfining, i framtiden skulle kunna bli ett praktiskt alternativ till traditionella tekniker för fluidmodellering.
Silvester tillade: ”Denna kombination av gamla och nya tillvägagångssätt lovar effektiv beräkning av fysiskt realistiska fluidflöden i en myriad av praktiska situationer. Utvecklingen av förfinade matematiska modeller av komplexa vätskor kommer sannolikt att vara av avgörande betydelse om AI:s potential ska kunna förverkligas effektivt i framtiden.”
Mer information
David J. Silvester, Machine learning for hydrodynamic stability, Journal of Computational Physics (2026). DOI: 10.1016/j.jcp.2026.114743
