arXiv · 21.07.2026 ·Машинное обучение

ИИ-модели для термодинамических расчетов в сверхкритическом горении

Исследователи предложили метод термодинамически обоснованной репараметризации входных данных для нейросетевого прогнозирования свойств реальных жидкостей. Новый подход позволяет ускорить расчеты в симуляциях сверхкритического горения, заменяя ресурсоемкие итерационные вычисления уравнений состояния на предсказания нейронной сети, сохраняя при этом физическую непротиворечивость результатов и высокую точность в критических точках.

В задачах моделирования процессов горения при сверхкритических давлениях оценка термодинамических параметров, таких как температура, плотность и коэффициент сжимаемости, является «узким местом». Традиционные методы требуют многократного обращения к уравнениям состояния и инверсии энтальпии, что значительно увеличивает время вычислений. Предложенная архитектура интегрирует физические законы непосредственно в процесс обучения модели, обеспечивая стабильность прогнозов даже в условиях резких изменений свойств среды.

Использование нейросетей в качестве суррогатных моделей для термодинамических расчетов позволяет существенно снизить вычислительные затраты при сохранении физической корректности данных. Это открывает возможности для более детального моделирования сложных инженерных систем, где ранее использование полных физических симуляций было ограничено вычислительной мощностью.

Ключевые факты

Метод направлен на оптимизацию вычислений температуры, плотности и коэффициента сжимаемости в симуляциях сверхкритического горения.
Подход заменяет итерационные вычисления уравнений состояния (EOS) на нейросетевую аппроксимацию.
Репараметризация входных данных обеспечивает соблюдение термодинамических ограничений в процессе предсказания.
Технология снижает вычислительную нагрузку при решении задач на основе энтальпийной формулировки коррекции давления.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение ИИ-модель для ускорения численного моделирования химической кинетики Исследователи представили фреймворк машинного обучения, ускоряющий прямое численное моделирование турбулентных реагирующих потоков. Система заменяет ресурсоемкие вычисления химических источников суррогатной моделью, предсказывающей скорость реакций на основе термохимического состояния. Для обеспечения физической достоверности в процесс обучения интегрированы ограничения второго закона термодинамики, что повышает точность прогнозирования сложных химических процессов в динамических средах. arXiv · Исследования и наука ИИ-модель для контроля температуры в термоядерных реакторах Исследователи представили нейросетевую архитектуру на базе Physics-aware Neural Operator Transformer для реконструкции температурных полей в диверторах термоядерных установок. Метод позволяет в реальном времени прогнозировать распределение тепла в вольфрамовых блоках, что критически важно для предотвращения повреждений материалов. Новая модель значительно превосходит традиционные численные методы, такие как метод конечных элементов (FEM), по скорости вычислений. arXiv · Исследования и наука Error-Conditioned Neural Solvers: новый подход к решению дифференциальных уравнений Исследователи представили метод Error-Conditioned Neural Solvers, который повышает точность нейросетевых суррогатных моделей при решении дифференциальных уравнений в частных производных (PDE). В отличие от стандартных подходов, рассматривающих задачу как чисто статистическую, новый метод динамически корректирует нарушения физических ограничений, что позволяет моделям эффективнее работать за пределами обучающей выборки и минимизировать остаточные ошибки. arXiv · Исследования и наука ИИ-модель для сверхточного прогнозирования осадков в реальном времени Исследователи представили модель на базе архитектуры U-Net для прогнозирования осадков на ближайшие 10–90 минут. В отличие от традиционных численных методов, требующих сложной инициализации и значительных вычислительных мощностей, нейросетевой подход позволяет оперативно обрабатывать радарные данные, обеспечивая высокую точность прогнозов для управления городскими рисками и предотвращения наводнений в условиях меняющейся погоды. Hacker News · Исследования и наука Интеграция рекуррентных нейросетей в метод конечных элементов Исследователи представили метод внедрения рекуррентных нейронных сетей (RNN) непосредственно в симуляции методом конечных элементов (FEM). Этот подход позволяет объединить классическое физическое моделирование с глубоким обучением, обеспечивая высокую точность прогнозирования динамических систем. Решение решает проблему накопления ошибок при длительных расчетах, сохраняя физическую согласованность данных на протяжении всего процесса симуляции. arXiv · Машинное обучение Оптимизация гиперпараметров в физически информированных нейросетях Исследователи представили новый подход к обучению физически информированных нейронных сетей (PINNs), предназначенных для решения дифференциальных уравнений в частных производных. Основная сложность таких моделей заключается в нестабильной сходимости и высокой чувствительности к выбору гиперпараметров, что вызвано невыпуклой структурой функции потерь, включающей множество физических ограничений. arXiv · Исследования и наука Оптимизация сценариев для обучения климатических ИИ-моделей Исследователи проанализировали ограничения современных суррогатных моделей, используемых для климатического моделирования. Основная проблема заключается не только в архитектуре нейросетей, но и в качестве данных, на которых они обучаются. Традиционные наборы данных для климатических эмуляторов обладают низкой структурной вариативностью, что создает «потолок» для точности прогнозов даже при использовании сложных физически обоснованных моделей. Hacker News · Машинное обучение Новый математический подход снижает требования к «железу» для ИИ Исследователи предложили новый математический метод оптимизации вычислений, который позволяет значительно снизить нагрузку на аппаратное обеспечение при работе с нейросетями. Замена стандартных операций с плавающей запятой на альтернативные вычисления позволяет сократить потребление ресурсов GPU без потери точности моделей, что открывает путь к более эффективному инференсу на менее мощном оборудовании. arXiv · Исследования и наука Прогнозирование энергопотребления домохозяйств через нейронные процессы Исследователи представили новый подход к краткосрочному прогнозированию энергопотребления в жилом секторе, основанный на нейронных процессах (Neural Processes). Модель интегрирует поведенческие паттерны пользователей непосредственно в механизм прогнозирования, что позволяет учитывать высокую неоднородность и временную изменчивость спроса. Метод превосходит традиционные подходы, использующие поведение лишь как внешний классификатор, повышая точность предсказаний для индивидуальных домохозяйств. Hacker News · Исследования и наука Сравнение методов машинного обучения в моделировании формирования дождевых капель Исследователи проанализировали эффективность различных алгоритмов машинного обучения при прогнозировании микрофизических процессов формирования дождевых капель. Работа направлена на замену вычислительно затратных численных моделей более быстрыми суррогатными ИИ-системами, способными точнее воспроизводить сложные атмосферные явления. Результаты показывают, как нейронные сети справляются с нелинейной динамикой столкновений и слияний капель в облаках, что критически важно для улучшения точности прогнозов погоды.

← Все материалы