Das Feld der numerischen Strömungsmechanik (Computational Fluid Dynamics, CFD) wird durch maschinelles Lernen (ML) grundlegend verändert, indem es die hohen Rechenanforderungen traditioneller, hochaufgelöster Simulationen reduziert. An der Technischen Universität München (TUM) entwickelt ein Forschungsteam unter der Leitung von Professor Dr. Nikolaus A. Adams innovative hybride Methoden, die ML-Modelle in bewährte Simulationsprozesse integrieren. Diese Herangehensweise kombiniert die Präzision etablierter numerischer Methoden mit reduzierten Rechenkosten und eröffnet neue Anwendungsperspektiven in Bereichen wie der Luft- und Raumfahrttechnik und der Umwelttechnik.
Ein Schwerpunkt der Forschung liegt in der Kombination von Fourier Neural Operators (FNOs) mit der Lattice-Boltzmann-Methode (LBM). Zu diesem Zweck wurde der auf PyTorch basierende Solver TorchLBM entwickelt, der effizientes Tensor-Computing und GPU-Beschleunigung ermöglicht. Dieses modulare Framework gestattet schnelle Simulationen komplexer, ein- und mehrphasiger Strömungen. Die dynamische Integration von FNOs in das LBM-Framework führte zu einer deutlichen Reduzierung der Rechenzeiten bei gleichzeitiger Wahrung der physikalischen Genauigkeit, die für hochaufgelöste Simulationen notwendig ist.
Die Wirksamkeit des hybriden Ansatzes wurde anhand zweier Fallstudien demonstriert: der dynamischen Entwicklung einer Kármán’schen Wirbelstraße und der stationären Strömung in porösen Medien. In beiden Fällen erzielten die FNOs eine Reduktion der Berechnungszeit um bis zu 50 %, was die Effizienz und Stabilität der hybriden Modelle unterstreicht. Diese Integration von ML in klassische CFD-Workflows bietet erhebliche Fortschritte in der Lösung komplexer Strömungsprobleme.
Die Arbeit mit NVIDIA Modulus und die Entwicklung dieser hybriden Modelle markieren einen bedeutenden Fortschritt in der CFD-Forschung. Während die Modelle weiterentwickelt und Simulationen auf Multi-GPU-Setups skaliert werden, eröffnen sich neue Perspektiven für KI-gestützte CFD-Anwendungen, die die Leistungsfähigkeit erhöhen und die Innovationskraft in verschiedenen Industriebereichen beschleunigen.
Quelle: https://developer.nvidia.com/blog/transforming-cfd-simulations-with-ml-using-nvidia-modulus/