Details

Данная работа посвящена исследованию, разработке и тестированию методик применения методов машинного и, в частности, активного обучения для создания суррогатных моделей физических процессов на примере турбулентного течения в канале с крутым поворотом. Задачи, которые решались в ходе исследования: 1. Подробный анализ имеющейся научной литературы по теме использования моделей машинного обучения и методов активного обучения в качестве создания суррогатных моделей для физических задач, в частности, для предсказания интегральных характеристик гидродинамических течений. 2. Разработка на языке Python с использованием широкого набора открытых библиотек реализаций основных моделей машинного обучения и методов активного обучения, а также их обучение с высокой степенью автоматизации и независимостью от конкретной физической задачи. 3. Проведение с использованием CFD-кода SINF/Flag-S многопараметрических расчетов течения в обратном канале ступени центробежного компрессора. 4. Разработка на языке Python скриптов для предварительной обработки данных и обучения моделей машинного обучения с применением стратегий активного обучения. 5. Оценка качества работы разработанной методики создания суррогатных моделей с использованием методов активного обучения. Основным результатом выполнения работы является методика создания суррогатных моделей, способная дать существенный выигрыш во времени при сопоставимом качестве предсказаний по сравнению с проведением численных расчетов.

The given work is devoted to the research, development and testing of methodologies for applying machine learning methods and, in particular, active learning to create surrogate models of physical processes using the task of turbulent flow in a channel with a sharp turn. The tasks that have been solved during the research: 1. A detailed analysis of the available scientific literature on the use of machine learning models and active learning methods as surrogate models for physical problems, in particular for predicting the integral characteristics of hydrodynamic flows. 2. Development on Python using a wide range of open libraries of implementations of basic machine learning models and active learning methods, as well as their training with a high degree of automation and independence from a specific physical task. 3. Carrying out multiparametric calculations of the flow in the return channel of the centrifugal compressor stage using the SINF/Flag-S CFD code. 4. Development on Python scripts for preprocessing data and training machine learning models using active learning strategies. 5. Evaluation of the quality of the obtained methodology for creating surrogate models using active learning methods. The main result of the work is the methodology for creating surrogate models that can give a significant gain in time with comparable prediction quality compared to numerical calculations.