CFD深度學習，無法阻擋！

深度學習在湍流或複雜流動系統的應用結合只是時間問題

-- J. Nathan Kutz

背景

深度學習是機器學習的一個分支。機器學習主要研究計算機怎樣實現人類的學習行為，這樣機器便可以獲取新的技能，並不斷改善機器的性能的學科。

1959年塞繆爾設計了一個下棋程序，這個程序具有學習能力，它可以在不斷的對弈中改善自己的棋藝。4年後，這個程序戰勝了設計者本人。又過了3年，這個程序戰勝了美國一個保持8年之久的常勝不敗的冠軍。

1962年，Hubel and Wiesel早先基於視覺皮層通路中對於信息的分層處理機制的工作獲得了諾貝爾獎，這部分工作為神經網路的起源。

深度學習最近的應用就是AlphaGo大戰李世石，這場眾人矚目的曠世之戰的背後深度學習起著非常重要的作用，再比如自動駕駛、語音識別、圖像識別，都是深度學習的研究範疇。在2016年，國內領先的購物平台京東也分享了其在深度學習領域的應用。

深度學習和CFD

CFD也是需要通過計算機來提高人類認識世界的工具。但是一直以來，CFD和互聯網領域的新技術的融合併沒有獲得工程師的關注。

例如最近幾年討論火熱的機器學習、圖像識別、虛擬成像、大數據以及區塊鏈演算法。CFD和這些技術的結合少之又少。然而在過去幾十年中，深度神經網路已經成為大數據領域的主要操作工具。

2016年，Ling et al. 在JFM上發表的一篇只有12頁的文章算是深度神經網路在流體力學中的首次結合。在這篇文章中，深度神經網路首次和雷諾平均NS湍流模型相結合。

具體的，Ling et al. 通過將伽利略不變數通過高階多層結構嵌入到神經網路中實現了對RANS湍流模型的深度學習。

在Ling et al. 的文章中，他們的訓練集包含了一個槽道流CFD算例。他們的結果表示對演算法進行學習訓練之後，可以對槽道流的渦旋以及流體分離進行自預測。雖然作者也表示，目前的CFD深度學習並不能夠預測DNS，但是這是CFD和深度學習里程碑上重要的一步。

Ling et al. 採用的深度學習網路結構被稱之為張量基神經網路。這個網路架構可以通過施加一種特性來嵌入旋轉不變數，這個特性要求被預測的各向異性張量是基於各向同性張量。

相對於這種複雜的機理，旋轉不變數的意義更加直白。他意味著流體的流動不依賴於人們觀測的坐標系統。這是一個非常基本的假定，湍流模型的任何封閉都不能違背這個假定。

流體深度學習的未來

深度學習對流體模型，尤其是湍流模型的影響將是深遠的。

通過深度學習，工程師們可以將複雜的流體大數據調用來加強機器的預測能力。雖然目前深度學習和CFD的結合可能比較挑戰觀念，然而在未來的CFD的研究中，與深度學習的結合可能是一個潛在的研究方向。

當然深度學習和CFD的結合還存在很多問題，比如對於給定的數據需要多少層？每層需要多少個節點？是否能預測訓練外的工況？

值得慶幸的是目前多家公司，如Google，Facebook都在進行這方面的探索。毫無疑問，在2018年後的10年中，我們將目睹深度學習演算法和應用的指數級別增長。

深度學習的演算法已經有了一些起色，並且我們可以獲得Google的開源代碼TensorFlow。現在真的是全球研究湍流的學者吸納新技術的關鍵時期。

Donoho在2015年呼籲全球流體研究人員公開研究數據來用於深度學習的訓練環節。2016年Ling et al. 在JFM上發表的只有12頁的文章，或許會促進全球CFD深度學習的社區構建。

CFD界：本文來自J. Nathan Kutz的Deep learning in fluid dynamics一文。CFD技術除了演算法層面，和計算機新技術的結合少之又少。這勢必導致行業的斷層發展。近期有CFD界讀者來信（如下圖），表示已經徹底轉行進行遊戲開發行業。雖然有很多的CFDer依然堅守在CFD領域。但CFD研究需要更多的年青一代的加入，你們可以左右未來。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！