“akışkan dinamiği” için sonuçlar
6 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Türbülanslı Akışkanları Daha İyi Simüle Eden Yapay Zeka Modeli: FlowRefiner
Araştırmacılar, 3 boyutlu türbülanslı akışkanları simüle etmek için FlowRefiner adı verilen yeni bir yapay zeka modeli geliştirdi. Geleneksel neural PDE çözücülerinin aksine, bu model iteratif iyileştirme yöntemi kullanarak türbülanslı akışlardaki karmaşık yapıları daha doğru bir şekilde modelleyebiliyor. FlowRefiner, stokastik gürültü giderme yerine deterministik ODE tabanlı düzeltme kullanıyor ve tüm iyileştirme aşamalarında birleşik hız alanı regresyon hedefi benimsiyor. Bu yaklaşım, hava dinamiği, okyanus akıntıları ve endüstriyel akışkan simülasyonları gibi alanlarda çığır açabilir.
Yapay Zeka ve Matematik Birleşiyor: Akışkan Dinamiğinde Yeni Tahmin Yöntemi
Araştırmacılar, fiziksel akışkanların davranışlarını tahmin etmek için yeni bir matematiksel yaklaşım geliştirdi. Bu yöntem, Gaussian süreç regresyonu ile diferansiyel denklemleri birleştirerek, seyrek veri setleriyle bile güvenilir tahminler yapabiliyor. Geleneksel fizik-temelli makine öğrenmesi yaklaşımları büyük veri setlerine ihtiyaç duyarken, yeni teknik az sayıda gözlemle çalışabiliyor. Bu gelişme, akışkan dinamiği simülasyonlarında hem hız hem de doğruluk açısından önemli avantajlar sunuyor. Özellikle yüksek boyutlu problemlerde ölçeklenebilirlik sorunlarını çözen bu yaklaşım, fizik ve mühendislik uygulamalarında devrim yaratabilir.
Yapay Zeka ve Fizik Simülasyonlarını Birleştiren Yeni Hibrit Framework Geliştirildi
Araştırmacılar, akışkanlar dinamiği simülasyonlarında yapay zekanın hızını ve fiziksel çözücülerin doğruluğunu birleştiren XRePIT adlı yeni bir hibrit framework geliştirdi. OpenFOAM tabanlı bu sistem, sinir ağı modelleriyle geleneksel sayısal çözücüleri otomatik olarak geçiş yaparak birleştiriyor. Yapay zeka modelleri hızlı hesaplama sağlarken, uzun vadeli simülasyonlarda ortaya çıkan hata birikimi ve fiziksel sapma sorunlarını çözmek için belirli eşik değerlere ulaşıldığında sistem otomatik olarak fizik tabanlı çözücülere geçiş yapıyor. 3D sıcaklık kaynaklı akış simülasyonlarında test edilen framework, uzun süreli kararlı simülasyonlar gerçekleştirebiliyor.
Akışkan dinamiğinde yapay zeka ile fiziksel anlamı olan veri sıkıştırma yöntemi
Araştırmacılar, akışkan akışlarından elde edilen karmaşık verileri fiziksel olarak anlamlı ve kompakt formatlara dönüştüren yeni bir yapay zeka yöntemi geliştirdi. Variational autoencoder (VAE) teknolojisini temel alan bu yaklaşım, bilgi teorisi prensiplerini kullanarak veri sıkıştırma, boyut azaltma ve fiziksel yorumlanabilirlik arasında denge kuruyor. Geleneksel yöntemlerin aksine, bu teknik bilgi kapasitesini kaybetmeden verilerin anlaşılabilirliğini artırıyor. Silindir etrafındaki akış gibi sentetik akışkan dinamiği problemleri üzerinde test edilen yöntem, karmaşık fiziksel olayları daha basit matematiksel gösterimlerle ifade etmeyi başarıyor. Bu gelişme, havacılık, otomotiv ve enerji sektörlerinde akışkan simülasyonlarının daha verimli analizi için önemli fırsatlar sunuyor.
Yapay zeka ile ses hızına yakın akışkanları modelleme: ShockCast sistemi
Araştırmacılar, ses hızına yakın veya onu aşan akışkanların modellemesi için ShockCast adlı yeni bir yapay zeka sistemi geliştirdiler. Yüksek hızlı akışkanlarda ortaya çıkan şok dalgaları gibi ani değişimler, geleneksel sabit zaman adımlı yöntemlerin yetersiz kalmasına neden oluyor. ShockCast, iki aşamalı bir yaklaşım benimsiyor: İlk aşamada makine öğrenmesi modeli optimal zaman adım boyutunu tahmin ederken, ikinci aşamada bu tahminle birlikte mevcut akışkan alanları kullanılarak sistemin gelecek durumu hesaplanıyor. Bu yenilikçi yaklaşım, havacılık ve uzay mühendisliğinden enerji sektörüne kadar birçok alanda kritik olan yüksek hızlı akış simülasyonlarını hem daha doğru hem de hesaplamalı açıdan daha verimli hale getiriyor. Araştırma, fiziksel olarak motive edilmiş bileşenler kullanarak zaman adımı tahmininde önemli ilerlemeler sağlıyor.
Yapay Zeka ile Akışkan Dinamiği: Navier-Stokes Denklemlerini Kontrol Etmenin Yeni Yolu
Bilim insanları, akışkan akışını kontrol etmek için kullanılan karmaşık Navier-Stokes denklemlerini yapay zeka destekli yöntemlerle yönetmenin yeni bir yolunu geliştirdi. Receding Horizon Control (RHC) adı verilen bu yaklaşım, akışkanların istenilen yörüngelerde hareket etmesini sağlayarak mühendislik uygulamalarında devrim yaratabilir. Araştırmacılar, hesaplama maliyetini büyük ölçüde azaltan model boyut küçültme tekniği kullanarak sistemin performansını korumuş. Bu gelişme, hava taşıtlarının aerodinamik kontrolünden endüstriyel akışkan sistemlerine kadar geniş bir uygulama alanına sahip.