Bedre vejrudsigter og mere effektive vindmøller: Nyt projekt skal øge forståelsen for turbulens

Forskere fra Aarhus Universitet vil udvikle en ny måde at modellere komplekse turbulente systemer. Det er helt nødvendigt for eksempelvis at kunne designe billigere, men mere produktive vindmølleparker, mere effektive pumper,eller for at kunne lave mere pålidelige vejrudsigter, for blot at nævne nogle få eksempler.

Turbulens (eller turbulent flow) spiller en central rolle i overordentligt mange systemer, både naturlige og tekniske. At forstå og forudsige nøjagtige detaljer i turbulente strømme er derfor af afgørende betydning, men det kræver simuleringer med så høje beregningsmæssige omkostninger, at det i dag ikke er muligt.

”Selv med moderne supercomputere er det umuligt at simulere mange af de turbulente systemer, som ellers er vigtige for os at forstå. F.eks. kan vi stadig kun simulere et lille udsnit af en stor vindmøllepark, og hvis vi ikke nøjagtigt kan simulere atmosfærens turbulente strømninger gennem parkerne, bliver det meget svært for os at optimere dem til fremtidens energiproduktion og -behov,” siger lektor Mahdi Abkar fra Aarhus Universitets Institut for Mekanik og Produktion.

Han har for nylig modtaget 6,2 millioner kroner i Sapere Aude-støtte fra Danmarks Frie Forskningsfond til sit nye projekt, der går under navnet Physics-constrained Learning for Turbulent Flows (PLTF).

”Problemet med modellering af turbulens handler om meget mere end bare vindmølleparker. Måske vil vi designe en mere brændstoføkonomisk motor, fly der ikke larmer så meget, eller gøre shippingindustrien mere energieffektiv. Normalt ville vi simulere systemerne og optimere fysikken, men det kan vi ikke gøre her, for turbulens er så kompliceret, at det kræver simuleringer med umuligt høje opløsninger. Derfor laver vi en model af systemet, men så snart vi har en model, er den ufuldstændig, for den er bygget med adskillige forenklede antagelser under idealiserede forhold. Det er dette, der er udfordringen ved turbulens: Det er et yderst kompliceret, mulitskala, ustabilt og ikke-lineært problem,” siger lektoren.

Derfor sigter Mahdi Abkar med det nye PLTF-projekt efter et paradigmeskifte inden for modellering af turbulente strømme. Han vil udvikle en ny slags model, der skal kobles med avanceret maskinlæringsteknikker. Det centrale mål er at tackle de høje beregningsmæssige omkostninger og stadig være i stand til at levere på nøjagtigheden:

”Med PLTF-projektet foreslår vi en ny tilgang til turbulensmodellering via såkaldt ’physics-constrained’ maskinlæring. Hypotesen er, at den underlæggende fysik, som bliver ignoreret i nuværende modeller, i langt højere grad kan indfanges gennem datadrevne modeller, der benytter førende maskinlæringsteknikker,” siger Mahdi Abkar.

Lykkes det for forskerholdet, vil det være et gennembrud i forståelsen og modelleringen af komplekse, turbulente systemer, fastslår lektoren:

”Modellen kan i så fald bruges til modellering af ethvert flowproblem i enhver applikation. Vi forventer, at projektet vil fremme vores viden inden for modellering i fluidmekanik og turbulente systemer. Baseret på den enorme mængde data som vi har adgang til i dag, og den massive investering som industrien lægger i at bruge data-drevet design og optimering, har projektet potentiale for at levere banebrydende resultater,” siger han.