通过机器学习和更高效的模型改进飞机设计

加州理工学院和哈佛大学的研究人员开发出一种使用机器学习来进一步改进飞机设计过程的方法。

　　设计过程可以决定效率的成败。虽然某些实验和模拟可以成功地用于测试，但它也可能过于昂贵和耗时。

　　使用计算机仿真来模拟湍流气流在成本上要节省得多，速度也快得多。然而，运行完整仿真所需的数万亿个网格点带来了自己的时间限制。

　　真正精确的模拟必须捕获与影响飞机周围气流的微小尘埃颗粒一样精细的分辨率，以及与地球规模一样大的分辨率，而这一过程非常耗时。

　　“你需要数十亿甚至数万亿个网格点来运行一架简单飞机的完全解析模拟，”航空航天学助理教授Jane Bae说，“如果你要解决从飞机全尺寸到最小尺度的所有尺度，你需要大约100年才能获得完全融合的模拟，即使以目前的超级计算能力也是如此。”

　　尽管这种 "墙体模型 "提供了一种潜在的方法来节省湍流模拟所需的时间和成本，但大多数正在使用的模型采用了相对简单的物理学，例如，代表空气在一个平面上的流动。

　　现实世界的情况并不那么简单。典型的例子是：在飞机机身与机翼相接处出现的气流弯曲。

　　由Bae和哈佛大学工程与应用科学教授 Herbert S. Winokur, Jr. 和 Petros Koumoutsakos 共同撰写的一篇论文为开发这种模型奠定了基础。该论文于3月17日发表在《自然通讯》上。

　　这与监督式机器学习形成鲜明对比，后者使用人类标记的数据输入来训练算法。在完全监督的机器学习模型中，算法被赋予带有“狗”或“不是狗”等标识符的图像，最终算法会学习图像何时显示狗。

　　Bae使用的机器学习模型已经过训练，可以识别平坦和简单表面上的湍流，因此它可以将该知识应用于复杂表面上的湍流，该模型是半监督的。

　　该墙体模型使用已经知道的关于简单平坦表面上湍流的信息，可以通过其算法的多次迭代来定义构成可奖励行为的内容。如果与上一次迭代相比，一个动作在算法的当前迭代中减少了飞机设计边界附近的应力，那么这就是一种改进——这就是本例中的奖励。

　　基于这个反馈回路，墙体模型根据给定的状态逐步学习要给出的最佳操作。无需手动输入告诉模型如何处理平面或曲面上的流动，模型可以找出每个场景的最佳响应，而无需明确告知该怎么做。

　　“如果你能开发一个模型，能够适应飞机等复杂几何形状中存在的不同类型的几何形状和流动配置，你将可以得到更准确的预测。”Bae说。“这是我们认为将成为墙体模型未来的大方向。”

图说工控