XiaoMi-AI文件搜索系统
World File Search System复杂流动
75 马里兰大学 (UMD) 以其悠久的历史为傲，同时展望未来......
关于如此高速度下发生的复杂流动物理，仍有许多问题有待理解。马里兰大学航空航天学院拥有多个致力于这一关键技术前沿的实验室和研究设施，包括由皮诺·马丁教授领导的复杂计算研究集群 (CRoCCo) 实验室。除其他成就外，马丁和她的团队还开发了可用于支持高精度计算机模拟的数值方法，从而为越来越准确的湍流预测奠定了基础。第一原理数据用于开发和校准新的实验流动诊断，并补充地面和飞行实验数据。今年，马丁获得了支持，将领导一项价值 450 万美元的联合高超声速过渡办公室大挑战奖，并在实验和模拟中表征高超声速流动喷射相互作用数据。
理解战斗机的挑战与需求...
由于隐形技术和现代导弹的发展，未来空战的空战战术将发生重大变化。快速目视交战可以通过高攻角和跨音速下的快速瞬时机动来决定，而射击优势则通过快速导弹交换来确定。在更高的跨音速下，必须掌握受控涡流，以便控制所有三个轴的运动。飞机的平面形状、机翼后掠角和前缘类型必须在整个飞行包线内为这些复杂流动提供共同利益，同时还要考虑特征。通常在侧滑条件下会达到受控飞行极限。在这里，不对称涡流不稳定性会导致不稳定的滚动力矩和不利的偏航。为了突破这些极限，必须深入了解涡流分离、它们的相互作用和分解。设计气动特性的探测需要借助现代流动模拟工具，并在适当的物理理解的基础上进行验证。
应用数学、计算与模拟
ACUMES 工程科学非稳态模型分析与控制 ATLANTIS 纳米尺度波-物质相互作用计算建模与数值方法 CAGIRE 内部流动计算敏捷性模拟与实验比较 CARDAMOM 认证自适应离散模型，用于对具有移动前沿的复杂流动进行稳健模拟 DEFI 形状重建与识别 ECUADOR 科学计算程序转换 ELAN 非线性现象的出现建模 GAMMAO 自适应网格生成与高级数值方法 - 与 ONERA 联合团队 MATHERIALS 材料数学 MEMPHIS 多物理场与相互作用建模促进器 MINGUS 多尺度数值几何方案 MOKAPLAN 变分数值计算的进展 PARADYSE 粒子与动力系统 PLATON 不确定性量化科学计算与工程 POEMS 波传播：数学分析与模拟 RAPSODI 耗散系统的可靠数值近似
机器学习驱动的基于指标的网状改编
网格适应在CFD中至关重要，对于动态完善并优化计算网格，增强了捕获复杂流动特征的精度。基于度量的网格适应性，虽然在数学上健壮，但通常依赖于伴随解决方案来进行误差估计，这可以显着增加计算需求。为了应对这一挑战，这项研究旨在开发一种机器学习驱动的方法来改编CFD，从而消除了对计算强度密集的伴随解决方案的需求。在追求此目标时，我们采用集合模型和图形卷积网络（GCN）来预测在适应过程中每个单元格的局部误差估计器。我们的发现表明，GCNS胜过各向同性网格的集合模型，而两个模型在各向异性网格中产生相似的结果。这些结果表明，我们的机器学习驱动的方法消除了求解伴随方程的误差估计的需要，为在复杂的流动方案中为更有效的CFD模拟铺平了道路。
使用机器学习的空气动力学优化...
本文提出了一种空气动力学优化方法，该方法利用机器学习技术来增强稳态雷诺（Reynolds Parynolds Parynolds Parynolds Parynolds Parynolds Parynolds Perrynolds perrands vere的Navier-Stokes（RANS）模拟）模拟的湍流模型，这些模拟容易出现，这些模拟很容易出现，以使其不准确，以使复杂流动的复杂流动涉及分离等现象。我们采用了场的反转和机器学习（FIML）方法，通过解决一些高实现数据的逆问题（对于不同的形状和/或流条件），从而渗透模型差异，并使用机器学习（例如神经网络）来概括差异Ellds for Unseseenseenseenseenseenseenseenseenseenseenseenseenseenseenneclesnementity。作为概念证明，我们使用直接数值模拟（DNS）数据进行一组参数化的周期性山丘，以增强使用FIML的两种方程式𝑘-𝜔-𝜔SST模型，然后将其合并到CFD求解器中以进行空气动力学形状优化，而在成本优化的情况下，将其纳入最小化。为了说明对湍流模型选择的固有优化敏感性，我们还使用Wilcox𝑘 -𝜔模型进行比较。一旦为不同的湍流模型实现了最佳形状，我们就建议使用混合Rans-LES改进延迟的分离涡流模拟（IDDES）来验证流量预测，这反过来又对可用DNS数据进行了验证。结果强调了在存在流量分离的情况下优化对湍流模型的敏感性，而FIML启动的𝑘-𝜔SST模型能够实现更高的拖动降低（20。8-25。3％）与IDDES预测（在速度和皮肤摩擦方面）达成公平同意。基线SST模型可实现4。5-6。5％，速度和皮肤摩擦与IDDES结果相比差。