KI erkennt nahenden Umschwung der Luftströmung um einen Flügel

KI erkennt nahenden Umschwung der Luftströmung um einen Flügel

Nachricht

Nachricht

Strömungen können sich allmählich ändernde Randbedingungen aufweisen, während das Strömungsbild selbst plötzlich umschlägt. Eine kleine Erhöhung des Anstellwinkels kann beispielsweise zu großflächiger Ablösung und Auftriebsverlust führen. Eine frühzeitige Erkennung eines solchen Übergangs kann bei aerodynamischem Design und Strömungsregelung wertvoll sein.

Strömungen können sich allmählich ändernde Randbedingungen aufweisen, während das Strömungsbild selbst plötzlich umschlägt. Eine kleine Erhöhung des Anstellwinkels kann beispielsweise zu großflächiger Ablösung und Auftriebsverlust führen. Eine frühzeitige Erkennung eines solchen Übergangs kann bei aerodynamischem Design und Strömungsregelung wertvoll sein.

Forscher unter der Leitung des Caltech haben eine KI-Methode entwickelt, die nahende Wendepunkte in sich verändernden dynamischen Systemen signalisieren kann. Hierfür nutzen sie einen sogenannten Recurrent Neural Operator. Diese Art von neuronalem Netz verfügt über eine Form von Gedächtnis und verfolgt, wie sich der physikalische Zustand eines Systems im Laufe der Zeit entwickelt. Das Modell wurde mit Daten von vor einem Wendepunkt trainiert. Anschließend prüft es, ob neue Vorhersagen noch bekannten physikalischen Bedingungen entsprechen. Wenn die Abweichung zunimmt, kann dies darauf hindeuten, dass das System einem plötzlichen Übergang nähert. Die Forscher testeten die Methode unter anderem an Klimasimulationen und an einer Simulation der Strömung um einen sich neigenden Flugzeugflügel. Bei dem Flügel ging es um den Wendepunkt, an dem der Auftrieb plötzlich stark abnimmt: den Beginn eines Strömungsabrisses (Stall). Die Ergebnisse zeigen vor allem, dass eine Kombination aus KI, zeitabhängigen Simulationen und physikalischen Randbedingungen dazu beitragen kann, abrupte Veränderungen früher zu erkennen.

Forscher unter der Leitung des Caltech haben eine KI-Methode entwickelt, die nahende Wendepunkte in sich verändernden dynamischen Systemen signalisieren kann. Hierfür nutzen sie einen sogenannten Recurrent Neural Operator. Diese Art von neuronalem Netz verfügt über eine Form von Gedächtnis und verfolgt, wie sich der physikalische Zustand eines Systems im Laufe der Zeit entwickelt. Das Modell wurde mit Daten von vor einem Wendepunkt trainiert. Anschließend prüft es, ob neue Vorhersagen noch bekannten physikalischen Bedingungen entsprechen. Wenn die Abweichung zunimmt, kann dies darauf hindeuten, dass das System einem plötzlichen Übergang nähert. Die Forscher testeten die Methode unter anderem an Klimasimulationen und an einer Simulation der Strömung um einen sich neigenden Flugzeugflügel. Bei dem Flügel ging es um den Wendepunkt, an dem der Auftrieb plötzlich stark abnimmt: den Beginn eines Strömungsabrisses (Stall). Die Ergebnisse zeigen vor allem, dass eine Kombination aus KI, zeitabhängigen Simulationen und physikalischen Randbedingungen dazu beitragen kann, abrupte Veränderungen früher zu erkennen.

Warum dies aus Sicht von FlowMotion interessant ist

Warum dies aus Sicht von FlowMotion interessant ist

Strömungen können sich allmählich ändernde Randbedingungen aufweisen, während das Strömungsbild selbst plötzlich umschlägt. Eine kleine Erhöhung des Anstellwinkels kann beispielsweise zu großflächiger Ablösung und Auftriebsverlust führen. Eine frühzeitige Erkennung eines solchen Übergangs kann bei aerodynamischem Design und Strömungsregelung wertvoll sein.

Strömungen können sich allmählich ändernde Randbedingungen aufweisen, während das Strömungsbild selbst plötzlich umschlägt. Eine kleine Erhöhung des Anstellwinkels kann beispielsweise zu großflächiger Ablösung und Auftriebsverlust führen. Eine frühzeitige Erkennung eines solchen Übergangs kann bei aerodynamischem Design und Strömungsregelung wertvoll sein.

Originalquelle:

Originalquelle:

California Institute of Technology – Caltech

California Institute of Technology – Caltech

Forecasting Tipping Points with AI

Forecasting Tipping Points with AI

Vliegtuigvleugel met blauwe aangehechte luchtstroom en een turbulent loslatend stromingsgebied boven de vleugel.

Ein KI-Modell kann lernen zu erkennen, wann die anliegende Strömung um einen Flügel einen plötzlichen Übergang zum Strömungsabriss (Stall) nähert.

Ein KI-Modell kann lernen zu erkennen, wann die anliegende Strömung um einen Flügel einen plötzlichen Übergang zum Strömungsabriss (Stall) nähert.