面向流体力学的多范式融合研究展望

实验观测、理论研究以及数值模拟是包括流体力学在内很多学科的基本研究范式.21世纪以来,大数据驱动下的人工智能成为引领新一轮科技革命和产业变革的重要驱动力,也被称为数据密集型科学研究范式,即第四范式.同样,数据驱动的机器学习方法也成为流体力学的新兴方向,并助推智能流体力学方向的发展.然而,与面向社会依赖“互联网+大数据”的数据密集型范式相比,流体力学智能化研究有其特有的背景.例如有限工程样本中产生的海量流动数据,与流动状态、几何边界条件的高维度以及复杂流动固有的高维、跨尺度、随机、非线性特征相比,数据驱动的流体力学研究面临着大数据小样本问题.经典流体力学虽然有三大研究范式,但融合度很低,工程设计师通常只能对不同来源的数据进行拼凑使用或简单修正.多源数据融合一定程度上可缓解单一样本量来源少、建模难,以及低精度样本利用不充分等困境,但仍未能实现基本范式中的理论模型或者专家知识和经验的充分利用.因此,在人工智能技术支撑的第四范式架构下,有机融合实验、理论模型以及数值模拟三大手段,发展“数据+知识”双驱动的流体力学多范式融合方法,成为解决重大实际工程研制问题的迫切需求,也是新时代流体力学学科内涵...     

物理增强的流场深度学习建模与模拟方法

流体运动理论上可用Navier?Stokes方程描述, 但由于对流项带来的非线性, 仅在少数情况可求得方程解析解. 对于复杂工程流动问题, 数值模拟难以高效精准计算高雷诺数流场, 实验或现场测量难以获得流场丰富细节. 近年来, 人工智能技术快速发展, 深度学习等数据驱动技术可利用灵活网络结构, 借助高效优化算法, 获得对高维、非线性问题的强大逼近能力, 为研究流体力学计算方法带来新机遇. 有别于传统图像识别、自然语言处理等典型人工智能任务, 深度学习模型预测的流场需满足流体物理规律, 如Navier?Stokes方程、典型能谱等. 近期, 物理增强的流场深度学习建模与模拟方法快速发展, 正逐渐成为流体力学全新研究范式: 根据流体物理规律选取网络输入特征或设计网络架构的方法称为物理启发的深度学习方法, 直接将流体物理规律显式融入网络损失函数或网络架构的方法称为物理融合的深度学习方法. 研究内容涵盖流体力学降阶模型、流动控制方程求解领域.      

基于弹性力学第一性原理的数据驱动力学建模

提出了一种基于弹性力学第一性原理的数据驱动力学建模方法,其能够从基于弹性力学方程的数值计算结果建立简洁且能准确捕捉变形机制的力学模型。基于有限元计算得到的高精度数据和无监督数据驱动控制方程识别方法Seq-SVF,从梁的载荷和位移数据中自动识别出了Timoshenko梁形式的弯曲控制微分方程,得到了三种不同加载条件下剪切影响系数关于结构尺寸和力学参数的函数表达式。揭示了经典模型适用的加载条件,同时还给出了一种未发现的新模型。通过将基于弹性力学的第一性原理计算与数据驱动范式相结合,克服了传统建模方法的局限性和对人类经验的强依赖性,为建立简洁的力学模型提供了一种新途径。     

基于“AM-GoogLeNet+BP”联合数据驱动的混凝土细观模型压缩应力-应变曲线预测

本文结合GoogLeNet卷积神经网络和BP神经网络分别在图像数据挖掘和数据分析方面的良好性能,采用“AM-GoogLeNet+BP”联合数据驱动方法,对混凝土细观模型(含砂浆、骨料及孔隙)的单轴压缩应力-应变曲线进行了有效预测.通过引入力学参量对图像数据驱动的训练结果进行优化,从而提升了神经网络的物理可解释性.基于Python语言实现混凝土细观模型在Abaqus中的自动建模及细观图像生成过程,并将生成的细观图像数据库与相应的压缩应力-应变曲线作为训练数据集.在GoogLeNet中分别引入SENet, ECANet和CBAM三种代表性注意力机制并对三种注意力机制的性能进行对比和分析,以自适应方式提升神经网络对混凝土各相组分的分析能力,并以此得到混凝土细观模型的初步应力-应变预测曲线;将骨料体积分数、孔隙率及初步峰值应力等物理参量作为输入引入BP神经网络以改善峰值应力的预测精度,并与将物理参量直接引入卷积神经网络输入层的方法进行了对比,最后定量给出了骨料体积分数和孔隙率对峰值应力的影响权重.结果表明,对于不同骨料体积分数及孔隙率的混凝土细观模型,该方法均展现了较高的预测精度.本文采用的“...     

力学研究中"大数据"的启示、应用与挑战

大数据在全世界发展迅猛, 应用成效显著.大数据独特的思维和方法, 为科学研究与探索提供了全新的范式.力学研究中,高时空分辨率、多参数同步观测与高精度、大规模模拟手段的发展,为力学大数据的发展提供了契机,大数据、机器智能方法的应用正呈现快速上升趋势.本文旨在分析大数据思维方法在力学研究中的应用, 及其启示与挑战.首先从大数据资源、大数据科学及大数据技术3个层面分析了大数据的内涵及研究态势,概括了国内外政府及组织机构的大数据发展规划.而后对比分析了力学思维方法与大数据思维方法的特点,指出两者的本质区别在于数据使用方式的不同而带来的范式差异:大数据采用数据驱动模型替代力学中的偏微分方程组以描述问题,在复杂系统的分析、预测中优势显著.回顾了大数据方法在材料性能预测、材料本构建模、湍流建模、结构健康监测及试验力学等方面的最新研究进展,以及动态数据驱动与数字孪生等大数据驱动的建模模拟新范式.总结了大数据在力学研究中应用的3种方式, 即驱动已有模型改进,挖掘复杂隐含的规律, 以及替代已有的理论方法等. 最后,建议以力学研究为主体和牵引, 大数据与力学双驱动,推动大数据与力学交叉形成理论与方法突破、及学科发展新方向.      

基于数据驱动的大气压射频放电等离子体数值模拟研究

随着人工智能技术的进步,结合低温等离子体的物理特点,数据驱动技术由于其独特的优势在低温等离子体的研究中正逐渐兴起.本研究以深度神经网络(DNN)模型在大气压射频放电中的计算研究为例,讨论了数据驱动方法在低温等离子体模拟研究中的应用.对于低温等离子体的研究而言,数据驱动研究所需要的数据可以来自于实验诊断和数值计算,根据等离子体物理特性的不同也可以选择不同的数据驱动模型.粒子模型与流体模型是低温等离子体研究中常用的两类计算模型,基于这两者的模拟数据组成的训练集, DNN可以实现对大气压射频放电的动理学特性等各种特性的实时预测.首先通过将流体模型与粒子模型计算结果与DNN模型的预测结果相比较,验证了DNN模型在给定精度下的有效性.然后基于流体模拟数据,利用DNN探究了α和γ模式下输入电流密度和放电间隙对大气压射频放电特性的影响,最后借助于粒子模拟数据构建的训练集,讨论了大气压射频微放电的频率效应,特别是电子能量分布函数(EEDF)的演化.预测结果表明,经过大约1 h的训练后, DNN只需要耗时0.01 s左右就能以极高的计算精度(与数值模拟之间的相对误差小于0.5%)获得电子密度、电场强度和...     

人工智能在复合材料研究中的应用

复合材料以其轻质高强高模、可设计性强等优点成为结构轻量化的重要用材. 然而, 随着复合材料组分、结构以及性能需求的日益复杂化, 以实验观测、理论建模和数值模拟为主体的传统研究范式, 在复合材料力学性能分析、设计和制造等方面遇到了新的科学问题与技术瓶颈. 其中, 实验观测不足、理论模型缺乏、数值分析受限、结果验证困难等问题在一定程度上制约了先进复合材料在面向未来工程领域中应用的发展. 人工智能方法以数据驱动的模型替代传统研究中的数学力学模型, 直接由高维高通量数据建立变量间的复杂关系, 捕捉传统力学研究方法难以发现的规律, 在复杂系统的分析、预测、优化方面拥有与生俱来的优势. 而通过人工智能赋能来寻求复合材料中传统研究方法所面临难题的新的解决方案, 目前已成为复合材料研究领域的发展趋势. 本文综述并评价了人工智能方法在复合材料性能预测、优化设计、制造检测及健康监测等方面的研究进展, 并对未来发展方向进行了探讨和展望.      

基于深度强化学习算法的颗粒材料应力?应变关系数据驱动模拟研究

颗粒材料的宏观力学行为受颗粒组分等材料参数, 孔隙率、配位数等状态参数的影响, 同时又具备复杂的加载路径和加载历史相关性, 建立包含多个内变量以及各变量间相互关联的颗粒材料本构模型是一个重要的科学难题. 不同于传统的基于屈服面、流动法则和硬化函数框架下的唯象本构模型, 本文基于颗粒物质力学的研究基础, 以颗粒材料平均孔隙率、细观组构参数和弹性刚度参数作为内变量, 结合深度学习方法建立以有向图表征的数据本构模型. 有向图中以不同的链接网络表示不同的内变量信息流动方向, 各个内变量间的映射关系采用循环神经网络来建立, 将各个神经网络相互组合, 形成包含不同内变量且具有不同预测能力的本构模型. 该本构模型的建立过程等价于在众多可能的内变量链接关系空间中寻找最能描述实际材料宏观应力应变行为的优化问题. 因此, 可将有向图本构模型的建立过程看作“马尔可夫决策过程”, 采用深度强化学习算法构建有向图的内变量链接组合优化过程, 具体采用AlphaGo Zero算法自动寻找最优的颗粒材料数据驱动本构模型建模路径. 研究结果表明, 采用有向图和深度强化学习算法可建立起完全依靠“数据驱动”的颗粒材料应力?应变关系. 此外, 本方法提供了一种将不同理论模型从数据角度统一起来, 且基于人工智能算法发展更优模型的研究思路, 可为相似问题的研究提供借鉴.      

浅谈流体力学发展——从Batchelor百年诞辰纪念大会谈起

G.K. Batchelor是20世纪国际流体力学大师,在均匀湍流理论和低雷诺数微流体力学领域做出了开创性的贡献,他对流动追求物理和定量性理解的思想影响了近百年流体力学的发展,是流体力学顶级期刊Journal of Fluid Mechanics的创刊人,也是剑桥大学应用数学与理论物理系(DAMTP)的创建者,培养并影响了一大批在流体动力学理论、实验流体力学、湍流及稳定性、环境流体力学、多相流体力学、磁流体力学、微纳米尺度流体动力学等诸多领域建树卓越的学者.本文以G.K. Batchelor诞辰100周年纪念活动为契机,简要回顾了流体力学近300年的发展历程.概述了流体力学发展历经的以数学和物理为基础建立理论框架的经典流体力学、以应用需求为导向促使自身跨越发展的近代流体力学和以学科融合为特点外延丰富的现代流体力学三个重要阶段;以师承关系、代表性学者及其主要学术贡献为线索,总结了现代流体力学四大学派的形成及其近百年的传承沿革;以历史和发展的视角浅谈当代流体力学发展的动力和趋势,并以风沙环境力学为例,简述流体力学为分支学科发展提供的支撑和引领作用,分支学科的需求为流体力学内生发展提供驱动力...     

《人工智能计算力学》专辑序言

正近年来,机器学习、数据驱动等基于数据进行分析和预测的人工智能技术发展迅速,呈现出信息提取能力强、处理速度快等显著优势,目前已渗透到各个学科领域。另一方面,传统计算力学在模拟复杂工况、复杂模型和大变形等问题时,时常会面临物理模型不够完善、计算效率较低、计算精度不足等问题。因此,将知识驱动型的传统计算力学模型与数据驱动型的人工智能计算模型相融合,发展基于人工智能技术的计算力学理论和方法,成为当前计算力学领域的一个重要研究方向,也为解决复杂工程问题提供了新方案,具有非常广阔的应用前景。鉴于此,《固体力学学报》特别组织了《人工智能计算力学》专辑,希望通过该专辑展示国内计算力学工作者在人工智能计算力学这一新兴领域的最新研究成果,可供从事相关领域研究的人员参考。     

超燃冲压发动机仿真:从数值飞行到数智飞行

数值计算方法、物理模型和计算硬件的进步极大地促进了超燃冲压发动机仿真的发展,基于内外流一体化仿真的数值飞行技术已日渐成熟并逐步应用于工程实践,伴随燃烧、气动、结构、材料以及传热多物理场耦合模型和计算方法的发展,叠加多场计算的广义数值飞行技术有望近期得到突破.目前人工智能技术的快速发展,将赋能于数值飞行技术,"数智飞行"...     

数据驱动计算力学研究进展

以数字孪生、人工智能为核心的大数据理念正深刻影响着第四次工业革4 命，数据驱动计算力学在此背景下应运而生并展现勃勃生机。与此同时，航5 空航天等尖端工业领域对高性能材料与结构的先进制造与安全评估提出了更6 严峻的挑战，经典计算力学已很难实现成倍缩短产品研发周期、实时跟踪产7 品信息并提供解决方案的目标。因此，发展面向高性能材料与结构的数据驱8 动计算力学正当其时且刻不容缓。本文拟通过梳理数据驱动计算力学的部分9 研究现状，探讨并浅析数据驱动计算力学的发展趋势.     

基于机器学习的非结构网格阵面推进生成技术初探

网格生成和自适应是制约计算流体力学未来发展的瓶颈问题之一,网格生成自动化和智能化仍是一个需要持续研究的领域.随着高性能计算算力的提升和大数据时代的到来,以机器学习为代表的人工智能方法已经成功应用于包括流体力学在内的多个领域,革命性地推动了这些领域的发展.本文首先简要综述机器学习方法在非结构网格生成领域的研究进展,分析基于机器学习进行非结构网格生成的关键问题;其次,设计非结构网格样本数据格式并实现了样本数据集的自动提取,通过结合人工神经网络和阵面推进法,初步发展了一种基于人工神经网络的二维非结构网格阵面推进生成方法;最后,采用新发展的方法生成了几个典型二维各向同性非结构三角形网格(二维圆柱、二维NACA0012翼型和30p30n三段翼型),进一步采用合并法生成了相应的三角形/四边形混合网格,并测试了网格质量和生成耗时,结果显示本文方法生成的网格质量可以达到商业软件的水平,且生成效率较传统阵面推进法提高30%.      

人体肌骨的多柔体系统动力学研究进展

人体肌肉骨骼系统简称肌骨系统, 包括骨骼、骨骼肌与关节连接, 其力学模型是典型的多柔体系统. 从多体动力学角度研究肌骨系统, 主要关注其在运动过程中的肌肉内力、关节力矩及产生的动力学影响, 属于动力学与生物力学的交叉融合. 肌骨系统的多体动力学模型已被广泛地应用于临床医学、竞技体育、军事训练、人机工程等诸多领域, 其仿真结果可为提高人体运动能力、降低关节载荷与能耗、避免运动损伤、加快康复进程等提供重要计算参考数据. 与此同时, 上述研究亦对肌骨动力学研究提出了许多新挑战. 本文综述了人体肌骨多柔体系统动力学相关研究进展, 包括骨骼肌功能解剖与生物力学建模、神经与肌肉控制理论、肌骨系统动力学问题与求解方法, 以及近年来肌骨多体动力学在步态分析、飞行员抗荷动作、口颌手术规划等领域的典型应用. 与工程领域的机械多体系统相比, 人体肌骨多体系统具有肌肉内力主动性与肌肉控制冗余性两大特征. 现有骨骼肌模型难以同时考虑肌肉的解剖结构、三维几何与肌力产生的生物化学机制. 已有大多数肌骨模型采用静态优化假设消除肌肉冗余性, 忽略了肌肉与肌腱内力平衡及兴奋收缩耦联机制. 此外, 目前仍缺乏实现肌骨模型个性化的无创在体测试手段. 未来, 人体肌骨多体动力学研究将会向更精确、智能、个性化的方向发展, 成为动力学与生物力学交叉的热点研究领域.      

LBM simulation of fluid flow in fractured porous media with permeable matrix

To analyze and depict complicated fluid behaviors in fractured porous media with variably permeable matrix, an integrated discrete computational algorithm is proposed based on lattice Boltzmann method (LBM). This paper combines with the external force model and statistical material physics to effectively describe the feature changes while the fluid passes through the fractures within the permeable matrix. As an application example, a two dimensional rock sample is reconstructed using the digital image and characterized with different feature values at each LBM grid to distinguish pores, impermeable and permeable matrix by stating its local physical property. Compared with the conventional LBM, the results demonstrate the advantages of proposed algorithm in modeling fluid flow phenomenon in fractured porous media with variably permeable matrix.     

神经动力学研究进展和若干思考

神经动力学是动力学与控制学科的基础性分支,属于力学与脑科学、智能科学的国际前沿交叉学科领域,主要是通过动力学与控制的基本理论和方法,建立合理的模型来探究神经系统电生理动力学行为和脑认知功能的机理.近年来,国内外学者在神经动力学的基础研究方面取得了显著成果,包括神经元和神经元网络动力学行为的深入研究、大脑不同功能结构的建模分析以及神经疾病关联脑区的网络动力学建模与控制等.本文首先对国内外神经动力学研究领域取得的进展做了较全面的概括分析,特别是给出了建模方面的发展历程.进而,基于解析生物神经网络及其动力学的研究成果,对神经动力学未来的研究方向提出了一些思考展望,期望神经动力学的研究将助力具备较强可解释性和泛化能力的类脑智能原理和方法的突破及在重大工程中的应用.     

A REVIEW ON THE APPLICATIONS OF DEEP LEARNING IN AIRCRAFT DYNAMICS AND CONTROL

飞行器动力学与控制历经多年的发展取得辉煌成就,也面临着一系列亟需解决的难题。深度学习基于存储、记忆、预训练的新模式为动力学与控制难题的解决提供了新途径。本文以提升飞行器控制自主性和智能水平为研究主题,从三个方面总结了深度学习在飞行器动力学与控制中的应用,包括：在动力学建模中应用深度学习来提升模型计算效率和建模精度、求解模型反问题;在最优控制中应用深度学习来提升轨迹规划速度、最优控制实时性和自主性;在飞行器任务设计中应用深度学习来提升任务优化的计算效率和决策水平。在此基础上,梳理了各个方案的优缺点和部分代表性成果。最后,给出了深度学习应用于飞行器动力学与控制的四点建议。     

运动生物力学发展现状及挑战

狭义的运动生物力学特指人体运动中的生物力学,主要解决竞技体育领域中如何提高运动成绩和减少运动损伤的问题.随着相关学科的融合和发展,当前运动生物力学的研究已扩展到与人类运动相关的生物学、医学、力学等学科领域.近年来,智能测试、大数据分析、人工智能等技术快速发展,对运动生物力学实验、仿真方法产生了重要的影响,在不断拓展和深化着该学科的研究内容和方向的同时,也对运动生物力学发展提出了新的挑战.本文综述了近年来运动生物力学领域的研究现状,并指出了相关研究方向的关键问题及发展趋势:在理论建模和模拟仿真计算方面,肌肉本构理论及肌肉力计算准确性是重点和难点;实验测试的新技术在竞技体育运动项目中的应用研究中扮演重要角色,其中基于深度学习的人体关键点检测算法在解决竞技体育的非接触测量方面有突破性进展;对于骨、韧带、软骨、肌肉等组织的宏观损伤机制认识不断清晰,但对于其早期损伤预测以及跨尺度损伤发生机制的研究仍有待深入;智能可穿戴装备、人工智能等新技术开始应用于运动生物力学研究及实践,成为目前运动生物力学领域最具活力的研究方向之一.本文的综述表明当前运动生物力学研究越来越向智能化、个体化、定量化发展,并正在...