面向流体力学的多范式融合研究展望

实验观测、理论研究以及数值模拟是包括流体力学在内很多学科的基本研究范式.21世纪以来,大数据驱动下的人工智能成为引领新一轮科技革命和产业变革的重要驱动力,也被称为数据密集型科学研究范式,即第四范式.同样,数据驱动的机器学习方法也成为流体力学的新兴方向,并助推智能流体力学方向的发展.然而,与面向社会依赖“互联网+大数据”的数据密集型范式相比,流体力学智能化研究有其特有的背景.例如有限工程样本中产生的海量流动数据,与流动状态、几何边界条件的高维度以及复杂流动固有的高维、跨尺度、随机、非线性特征相比,数据驱动的流体力学研究面临着大数据小样本问题.经典流体力学虽然有三大研究范式,但融合度很低,工程设计师通常只能对不同来源的数据进行拼凑使用或简单修正.多源数据融合一定程度上可缓解单一样本量来源少、建模难,以及低精度样本利用不充分等困境,但仍未能实现基本范式中的理论模型或者专家知识和经验的充分利用.因此,在人工智能技术支撑的第四范式架构下,有机融合实验、理论模型以及数值模拟三大手段,发展“数据+知识”双驱动的流体力学多范式融合方法,成为解决重大实际工程研制问题的迫切需求,也是新时代流体力学学科内涵、特色发展的迫切需求.

MEMS与智能化流体力学

本文综述了微机电系统（ＭＥＭＳ）及其在流体力学和航空航天领域的应用概况；讨论了以ＭＥＭＳ为基础的流体测量和控制技术以及利用ＭＥＭＳ制作灵巧材料和灵巧结构，用于控制和改变飞行器部件乃至整个飞行器空气动力特性的若干例子；探讨了飞行器空气动力学从可变外形（ＤＤＧ）到智能化外形（ＩＡＣ）的发展前景；对于ＭＥＭＳ发展中涉及的微流体力学现象和问题也做了一些分析讨论。

基于人工智能算法的数据中心机房气流组织温度预测研究

在数据中心的总能耗中,制冷装置的能耗占50%。在中国提出“双碳”目标的背景下,设计建造智能数据中心,采取局部制冷的方式对降低制冷所需能耗,进而降低数据中心总能耗以及碳排放具有十分重要的意义。为达成这一目标,需要一种能够快速预测局部热点的方法。传统计算流体力学方法虽然也能实现预测,但对算力和运算时间都要求较高。因此,提出一种使数据中心走向智能化的关键技术,即在已知空调温度、机柜功率等参数下,对数据中心的温度场进行快速而准确的预测,它是智慧数据中心的重要组成部分。