XiaoMi-AI文件搜索系统
World File Search System湍流
2025-晴朗的天空还是湍流？
越来越重点是ESG中的“ S”，它涉及社会方面以及公司对员工，工人和社区的影响。关键领域包括公民和人权；健康与安全；多样性，公平性和包容性；同等工资；以及利益相关者和社区参与。航空业在这方面遇到了挑战，特别是通过劳资纠纷和罢工行动。最近在美国的一项裁决也值得注意，因为它大大改变了为航空公司提供服务的公司的法律格局，并且需要客户（航空公司）和服务提供商来解决这一新现实。从雇主的角度来看，航空公司服务提供商应为根据国家劳资关系委员会管辖权做好彻底改变的劳动景观做准备。这样的扩展将影响组织活动，可能增加劳动力中断，并为雇主及其航空公司客户造成不确定性。
湍流射流的人工智能控制
开发了一种人工智能 (AI) 控制系统，以最大限度地提高湍流喷射的混合率。该系统由六个独立操作的非稳定微型喷射执行器、两个放置在喷射器中的热线传感器和用于无监督学习近乎最优控制律的遗传编程组成。该定律的假设包括多频率开环强迫、传感器反馈及其非线性组合。混合性能通过喷射中心线平均速度的衰减率来量化。有趣的是，人工智能控制的学习过程按性能提高的顺序逐一发现了传统控制技术可实现的经典强迫，即轴对称、螺旋和拍打，最终收敛到迄今为止未探索过的强迫。仔细检查控制环境可以揭示学习过程中产生的典型控制定律及其演变。最佳 AI 强制产生复杂的湍流结构，其特点是周期性生成的蘑菇结构、螺旋运动和振荡射流柱，所有这些都提高了混合率并且远远优于其他结构。这种流动结构以前从未被报道过，我们从各个方面对其进行了检查，包括速度谱、平均和波动速度场及其下游演变，以及三个正交平面中的流动可视化图像，并与其他经典流动结构进行了比较。除了对微射流产生的流动及其对主射流初始条件的影响的了解之外，这些方面还为我们了解这种新发现的流动结构高效混合背后的物理原理提供了宝贵的见解。结果表明，人工智能在征服许多执行器和传感器的控制律的巨大机会空间以及优化湍流方面具有巨大潜力。
风切变和湍流什么是“逆风”、“顺风”和……
本出版物载列的所有内容，包括但不限于所有数据、地图、文字、图像、图画、图表、照片、影片及数据或其他材料的汇编（统称“材料”）均受知识产权所规限。该等知识产权由香港特别行政区政府（统称“政府”）拥有或由该等材料的知识产权拥有人特许政府处理该等材料，以供本出版物所述的所有用途。将材料用于非商业用途须遵守“香港天文台出版物内材料的非商业用途使用条件”（可于以下网址查阅：https://www.hko.gov.hk/tc/publica/non-commercialuse.htm）所列的所有条款和条件。此外，除非符合《香港天文台刊物资料商业用途使用条件》（可于 https://www.hko.gov.hk/en/publica/commercialuse.htm 找到）所列的所有条款及条件，并取得香港天文台（下称“天文台”）代表政府的事先书面授权，否则严禁将资料用作商业用途。如有查询，请以电邮（mailbox@hko.gov.hk）或传真（+852 2311 9448）或邮寄方式与天文台联络。
高速风中的湍流测量...
Matthew R. Fulghum 的论文经过以下人员的审阅和批准*：机械工程学教授 Gary S. Settles 论文顾问 委员会主席机械工程与数学杰出教授 Asok Ray 机械工程学教授 John M. Cimbala 机械工程学教授 Philip J. Morris Boeing/A. D. Welliver 航空航天工程学教授 Daniel C. Haworth 机械工程学教授 MNE 研究生项目主管教授 * 签名已存档于研究生院。
风切变和湍流什么是“逆风”、“顺风”和……
本出版物所载的所有内容，包括但不限于所有数据、地图、文字、图像、图画、图表、照片、录像及数据或其他材料的汇编（统称“材料”）均受知识产权所规限。该等知识产权由香港特别行政区政府（统称“政府”）拥有或已获该等材料的知识产权拥有人特许政府处理该等材料，以供本出版物所载的所有用途。如将材料用于非商业用途，则须遵守“香港天文台出版物所载材料非商业用途使用条件”（可于以下网址查阅：https://www.hko.gov.hk/en/publica/non-commercialuse.htm）所列的所有条款和条件。此外，除非符合《香港天文台刊物资料商业用途使用条件》（可于 https://www.hko.gov.hk/en/publica/commercialuse.htm 查阅）所列的所有条款及条件，并取得香港天文台（下称“天文台”）代表政府的事先书面授权，否则严禁将资料用作商业用途。如有查询，请以电邮（mailbox@hko.gov.hk）或传真（+852 2311 9448）或邮寄方式与天文台联络。
湍流、阵风和风切变 - NASA
本书付印时，美国国家航空航天局 (NASA) 已成立超过半个世纪，它的长寿归功于历届总统政府及其所服务的美国人民对其科学和技术专长的重视。在这半个世纪里，飞行从超音速发展到轨道速度，喷气式客机成为洲际交通的主要方式，宇航员登陆月球，由该机构开发的机器人航天器探索了太阳系的遥远角落，甚至进入了星际空间。NASA 诞生于一场危机——苏联人造卫星在太空领域取得胜利后的混乱局面——迎接新兴太空时代的挑战，取得了辉煌的崛起。美国宇航局成立后不到十年，宇航员团队就开始筹划首次登月，1969 年 7 月 20 日，尼尔·阿姆斯特朗迈出了“一小步”，成功登月。很少有事件能像阿姆斯特朗小心翼翼地从细长的鹰号登月舱中走下来，在静海基地尘土飞扬的平原上留下历史性的靴印，如此令人感动，如此引人注目或具有重大意义。阿波罗计划之后，美国宇航局开始了一系列太空计划，这些计划如果说没有阿波罗计划那样令人感动和引人注目，那么它们的成就和勇气也是非同凡响。航天飞机、国际空间站、哈勃太空望远镜以及各种行星探测器、着陆器、探测车和飞越任务都证明了美国宇航局的创造力、技术人员的优秀以及对空间科学和探索的奉献精神。但 NASA 还有另一面，在如今这个被普遍称为美国太空机构、其最受瞩目的员工都是勇敢地执行任务的宇航员的时代，这一面往往被隐藏起来。
穿透性湍流对气候科学的影响
评论的一个中心主题是嵌入大规模穿透性湍流中的缩放定律的推导。这样做的能力，例如增强了我们对海洋中热分布动态的理解，当与其他动态海洋学因素（例如风驱动电流和热盐循环）集成时，可以帮助阐明海洋过程的影响以及地球气候上的冰川融化。
湍流建模：增强人工智能和机器学习
本文介绍了对飞机运动有直接影响的机翼变量。由于飞机尺寸较大，对大气或其他外部条件引起的混沌扰动对整个飞机的影响进行测试评估是一个困难的过程，因此不是对整个飞机进行测试，而是将其分成不同的部分，对每个部分进行单独计算，然后将所有部分的测试放在一起并取平均值，以获得对整个飞机的平均湍流影响。本文包含了直接或间接影响飞机的所有不同变量的结果，这些变量可能导致混沌运动影响飞机运动，以及基于密度和厚度的速度。
湍流、阵风和风切变 - NASA
本书付印时，美国国家航空航天局 (NASA) 已成立超过半个世纪，其长寿得益于历届总统政府及其所服务的美国人民对其科学和技术专长的重视。在这半个世纪里，飞行速度从超音速发展到轨道速度，喷气式客机成为洲际交通的主要方式，宇航员登陆月球，该机构开发的机器人航天器探索了太阳系的遥远角落，甚至进入了星际空间。NASA 诞生于一场危机——苏联人造卫星在太空领域取得胜利后的混乱局面——它出色地应对了新兴太空时代的挑战。美国宇航局成立十年后，宇航员团队开始筹划首次登月，最终于 1969 年 7 月 20 日由尼尔·阿姆斯特朗迈出“一小步”。很少有事件能像他小心翼翼地从细长的鹰号登月舱中降落，在静海基地尘土飞扬的平原上留下历史性的脚印那样，如此令人感动，如此引人注目或意义重大。在阿波罗计划之后，美国宇航局开始了一系列太空计划，尽管这些计划可能缺乏阿波罗计划那样的情感和引人注目的影响力，但它们的成就和勇气仍然令人瞩目。航天飞机、国际空间站、哈勃太空望远镜以及各种行星探测器、着陆器、探测车和飞越装置都体现了 NASA 的创造力、技术人员的优秀以及对太空科学和探索的奉献精神。但 NASA 还有另一个方面，在 NASA 被普遍称为美国航天局、其最受瞩目的员工是勇敢的宇航员的时代，这个方面往往被隐藏起来
深度学习在湍流中的应用
摘要 本论文研究了深度学习和深度强化学习在湍流模拟中的应用。深度学习模型经过训练可以进行时间和空间预测，而深度强化学习则应用于流量控制问题，即减少明渠流中的阻力。长短期记忆 (LSTM, Hochreiter & Schmidhuber 1997) 网络和 Koopman 非线性强迫 (KNF) 模型经过优化，可以在两种降阶湍流模型中执行时间预测，即 Moehlis 等人 (2004) 提出的九方程模型和最小通道流的截断适当正交分解 (POD) (Jim´enez & Moin 1991)。在第一个应用中，这两个模型都能够产生准确的短期预测。此外，预测的系统轨迹在统计上是正确的。KNF 模型在短期预测方面优于 LSTM 网络，并且训练计算成本低得多。在第二个任务中，只有 LSTM 可以成功训练，预测出统计上准确的轨迹。空间预测是在两种湍流中进行的：明渠流和边界层流。全卷积网络 (FCN) 用于使用壁面测量值预测给定壁面法线位置的二维速度波动场（反之亦然）。由于这些模型的非线性特性，它们提供了比扩展 POD（Bor'ee 2003）等最佳线性方法更好的重建性能。最后，我们展示了深度强化学习在发现湍流新控制策略方面的潜力。通过将流体动力学问题构建为多智能体强化学习环境，并使用位置不变的深度确定性策略梯度 (DDPG) 算法训练智能体，我们能够学习一种控制策略，该策略可显著减少 30% 的阻力，比现有策略提高约 10 个百分点。