编辑丨神奇的玛利亚
引言智能拖曳水箱是一种由主动学习指导的自动化设施，用于进行一系列涡旋诱导振动实验，其中通过最小化量化不确定性的合适采集函数，来选择每个实验的参数。
我们描述研究如何与其他领域的工作平行，从而将探索和绘制，控制流体弹性不稳定性和由此产生的非线性VIV，响应的复杂流体动力学机制，所需的实验数量减少了几个数量级。
而后展示的高维参数空间中“探索和利用”方法的有效性，这是实验中传统方法所难以解决的。
流固耦合领域在流体动力学和空气动力学流动中，都非常复杂，该领域的规范问题之一是VIV。
VIV不稳定应用
当灵活安装的悬崖体放置在迎面而来的交叉流中时，就会发生VIV，该体尾流中的自发不稳定性高于约Re=50的雷诺数，导致形成不对称涡流模式，从而在物体上引起非定常载荷，从而产生振动响应。
当气缸灵活安装时，它谐波振动，但频率与斯特劳哈尔频率略有不同，受结构的固有频率和气缸的有效增加质量的影响，该质量随频率变化。
导致结构振动的物理机制的复杂性使得预测非常困难，当一个圆柱体被迫以自由振动的圆柱体的频率和振幅在横流方向上振动时，它受到相同的力。
在自由振动是稳态和谐波的假设下，探索强迫振动中的流体力依赖性作为主参数的函数，也可以预测自由振动。
使用力振动数据被证明是预测VIV的有力工具，发现Re会影响振动特性，导致亚临界状态下自由振动的振幅随着Re的增加而增加，然后在临界Re范围内急剧变化，在超临界状态下恢复平滑振幅变化，所以需要作为Re函数进行广泛的强制振动测试。
在线运动会显著影响横流振动的发现进一步增加了参数复杂性，需要包括在线振动的振幅以及在线和横流响应之间的相位角，放置在剪切电流中的长柔性结构，例如电缆和立管，受到多频涡旋引起的响应。
强迫振动已成为探索VIV非常复杂性质的独特有效工具，从而发现了重要性质并开发了综合数据库，预测剪切流中柔性结构振动响应所需的独立参数数量很多，使得系统参数搜索变得棘手。
在此引入主动学习，赋予IT智能，以自动进行一系列强迫振动实验来研究VIV，其中通过最小化合适的采集函数来选择下一个要进行的实验的参数。
通过这种方式，我们表明我们将实验负担减轻了几个数量级，只需要几千个实验，而每个下一个实验的选择都是由计算机做出的，正如我们在下一节中详细描述的那样，从而自动化和加速实验工作。
内核选择GPR学习性能即收敛率，取决于替代模型的选择，绘制了σ.max超过200次GPR学习QoI迭代，具有不同的内核函数Cd，C低压和C我，分别是刚性圆柱体在Re=12000时均匀流动的强制振动。
在比较不同核函数与固定基函数的性能时，所有三个流体动力学系数的学习过程最终收敛，但收敛率不同。
在对不同的基函数和核函数组合进行测试后，基于收敛率，我们确定了不同流体动力学系数的最佳组合，并将其用于我们研究的其余部分。
ITT首先学习三个流体动力学系数与fr和一个y/使用多输出GPR学习策略在Re=12000时，横流刚性圆柱体的d仅在Re=2268，28下强制振动和均匀流动。
将结果与使用晶格均匀采样的参考实验进行比较，其中包括实验，具有多个不同值fr，27种不同的值一个y/d，每次重复运行三次fr和一个y/d组合。
输出GPR学习过程批量更新了多个QoI的预测，因为在两次迭代之间，在搜索σ的基础上进行了多次实验，max对于每个QoI，当满足收敛准则时，QoI的学习停止，当所有QoI在上述准则的基础上收敛时，整个过程停止。
为了量化两组实验之间的差异，我们在参数空间中选择30个点，以计算参考实验中的平均值，以及预测的平均值和SD在GPR学习顺序实验的每次迭代中这30个点，如下
随着实验次数的增加，每次迭代中参考实验和GPR学习实验之间相应30点的预测平均值的差异变小，并且边缘减少。
在使用自适应GPR学习和均匀采样的实验比较的基础上，使用GPR学习策略的ITT占总参考实验运行的<5%，能够在Re=12000下捕获均匀流动的刚性圆柱体流体动力学系数的主要特征。
Cd发现从1到4不等，并随fr和一个y/d，C低压在参数空间中有两个正区域，C从负值急剧变化到较大的正值fr=0.16，研究表明，使用流可视化，这种变化是由于唤醒模式从所谓的2P模式更改为2S模式。
非线性中的变化对于VIV的Re，物理非线性的影响变得更强，因此接下来我们专注于学习振荡圆柱体在横流方向上的Re效应。先前的研究表明，Re在Strouhal数和平均阻力系数中起了重要作用。
Cd固定的光滑圆筒，在各种Re值的振荡圆柱体上只进行了有限的工作，因为添加Re作为参数大大增加了所需的实验数量，从而增加了实验问题的复杂性。
即使在亚临界状态下，Re在影响流体力和尾流状态方面也起着重要作用，对于第二组实验，除了fr和一个y/d，将Re作为第三个输入参数，范围从亚临界制度的Re=1200到Re=19000。
流体动力学系数在三维参数空间从Re=1200到Re=19000，发现Cd不强烈依赖Re。
实验设施是典型的针对亚临界Re的实验室规模设施，高Re测试需要大型设施，其中进行测试所需的成本和时间作为Re的第三次方而上升，这种方法在高Re测试方面具有更大的希望，因为很少有实验可以覆盖广泛的参数范围。
更大的参数空间
利用条带理论的假设，从刚性圆柱强迫振动实验中获得的水动力系数可用于预测放置在剪切洋流剖面中的海洋立管的VIV，立管响应不仅限于单个频率的横流振动，它还涉及在线响应，其耦合到横流运动，多个频率可以被激励。
所以在第三个任务中，ITT在学习C低压对于在Re=5715和单个或两个频率下在均匀流动下经历串联和交叉流强制振动组合的刚性圆柱体，如下所示
与大约10相比8实验需要采用统一采样策略进行双频测试，ITT得到的收敛结果C低压进行了3944次实验。
显示第二个振动频率对C低压与第一频率相关联，我们定义χj为平均值C低压对于输入的双频实验（（一个y/d，一个x/d，Vr，θ)我，（Ay2/d，ax2/d，vr20$2）j）那2400（一个y/d，一个x/d，Vr，θ）组合在参数空间中随机选择。
其中N=2400和标准莫里斯敏感性分析在χ上执行，沿参数空间的每个维度有100个离散水平，每个参数有1000个基本效应，导致j=1，2，...5000。
更具体地说，积极的C低压发现主要与逆时针直列和横流轨迹的θ∈相关，Vr2对C低压与第一频率与A相关y2/d，ax2/d和θ2，其中μχX轴上是单个基本效应的平均值。
我们的研究结果有望加速实验科学的发现，并有望在世界各地的实验实验室中实现基于机器人，机器学习和人类协同结合的新研究程序的潜在范式转变。
这个想法很容易实现，因为我们求助于实验室机器人来执行自动顺序学习任务，研究人类提出的科学假设或由人类和人工智能技术合成的科学假设。
利用新构建的ITT，我们利用刚性圆柱强迫振动实验研究了典型的流固耦合问题之一，即虚张体的VIV，这项研究实现了科学机器人研究人员不那么新的想法。
它表明，通过仔细校准实验设施的固有不确定性并选择适当的机器学习工具，ITT能够自适应和智能地设计和进行顺序实验来研究目标QoI。
揭示非线性系统的复杂物理特性，与传统的实验抽样策略相比，精度水平相同，但实验次数减少了几个数量级，以及探索更广阔的参数空间以获得新的物理见解和缩放，这在过去研究中是不可行的，从而加速了科学发现。
当学习过程停止时，ITT不仅提供了实验数据的集合，更重要的是，还提供了目标QoI的准确功能近似。
这种函数表示为使用各种优化工具开辟了新的可能性，同时在应用获取的数据来预测或理解更复杂的问题时，将额外的物理见解作为约束。
当使用从刚性圆柱强迫振动实验中获得的水动力系数预测长而细长的海洋立管在洋流中的VIV响应时，目前使用一种搜索数据库中包含的数据表并使用参数插值的方法。
深度学习方法的使用允许应用有效的优化方法，扩展参数空间以表示适当的立管物理条件，并能够研究复杂现象，例如最近观察到的与模式开关相关的柔性圆柱VIV滞回响动。
正如我们已经展示的GPR学习性能，收敛率在很大程度上取决于内核函数的选择。在我们目前的研究中，候选者来自Matern家族的几个标准核函数。
其他模型，例如新开发的神经网络诱导的高斯过程，应该进行测试以提高GPR学习性能，特别是对于罕见事件。
在当前的研究中，选择每个QoI的“最佳”内核仅仅是通过蛮力，将收敛的GPR学习结果的性能与同一实验的不同内核进行比较。
可以利用最近几项关于从数据中学习内核的研究，以便在顺序实验中，不仅更新QoI的预测，而且更新内核。
随着实验数量的增加，将出现一种“更好”的内核形式来表示实验数据，这可能会加速学习过程，但更有趣的是，可以通过检查学习的内核形式更好地揭示或解释数据的隐藏物理特性。
这限制了总实验数和输入参数空间的维度，深度神经网络以其高表达能力和处理大尺寸输入参数和大数据的能力而闻名。
与GPR不同，下一代ITT应包括一个深度NN，可以处理数百个输入参数的问题，这将需要对NN进行不确定性量化的稳健方法，这是正在进行的工作的主题。
搜索策略是顺序实验主动学习的另一个关键组成部分，在当前的研究中，仅通过应用找到最大值SD的策略来找到下一个实验输入的参数。
虽然这里描述的设备的机器人部分相对简单，包括以规定的运动自动进行强制振动实验，但我们实验室开创并提供了更复杂的设备进行流体力学研究，涉及通过实时模拟，我们可以在同一方案中使用它。
结论
本文中的机器学习方法不仅限于流体力学，可以很容易地转移到其他领域，例如，在实验固体力学中，需要大量的试样来量化弹性模量、屈服应力和断裂开始。
因此，结合能够在短时间内生成多功能原型的先进制造技术，我们预见到自动顺序实验的巨大潜力，以绘制材料和结构特性，以获得可能导致新进展的理解，例如开发下一代航空变形机翼。
同样，这种方法很容易适用于材料的无损评估，其中不确定性量化和自动化将大大加速此类测试。
在实验室控制良好的环境之外的应用中，该方法可以与多个廉价的机器人一起使用，以形成动态群，这将能够对环境进行自适应和快速的监测和探索。
机器人科学家应该在科学自动化中发挥更大的作用，特别是在工程领域，有很多机会来实现类似于这里介绍的机器学习方法。
