The transformative potential of machine learning for experiments in fluid mechanics

要約

機械学習の分野は、元来のビッグデータ分野の 1 つである実験的流体力学を含む、科学と工学の多くの分野で最先端の技術を急速に進歩させてきました。
この観点は、機械学習の進歩の進歩から恩恵を受ける実験的流体力学のいくつかの側面を強調します。1) 測定技術の忠実度と品質の向上、2) 実験計画の改善とデジタル ツイン モデルの代理、3) 現実の
-時間の推定と制御。
いずれの場合も、最近の成功事例と進行中の課題、注意事項と制限事項について説明し、ML 拡張および ML 対応の実験的流体力学の新しい道の可能性について概説します。

要約(オリジナル)

The field of machine learning has rapidly advanced the state of the art in many fields of science and engineering, including experimental fluid dynamics, which is one of the original big-data disciplines. This perspective will highlight several aspects of experimental fluid mechanics that stand to benefit from progress advances in machine learning, including: 1) augmenting the fidelity and quality of measurement techniques, 2) improving experimental design and surrogate digital-twin models and 3) enabling real-time estimation and control. In each case, we discuss recent success stories and ongoing challenges, along with caveats and limitations, and outline the potential for new avenues of ML-augmented and ML-enabled experimental fluid mechanics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google