ИНСТИТУТ ТЕПЛОФИЗИКИ им. С.С. Кутателадзе
Сибирского отделения Российской академии наук

7.2. Лаборатория суперкомпьютерных вычислений и искусственного интеллекта в энергетических технологиях


Заведующий лабораторией, д.ф.-м.н. Мулляджанов Рустам Илхамович

Лаборатория организована в рамках проекта создания новых молодежных лабораторий в 2022 году.

Научный коллектив лаборатории имеет обширный опыт проведения численного моделирования различных физических процессов, в том числе с использованием искуственного интеллекта.

Результаты исследований имеют как высокую фундаментальную значимость, так и находят широкое применение в различных промышленных приложениях энергетической отрасли Российской Федерации.

Тематика лаборатории

Суперкомпьютерное моделирование многофазных и реагирующих течений, сопряженного тепломассообмена и прочности в задачах энергомашиностроения и атомной энергетики
Применение методов искусственного интеллекта для построения новых математических моделей в задачах создания цифровых двойников энергетических систем

Наиболее интересные результаты

Разработаны алгоритмы управления характеристиками потока с обратной связью на основе методов машинного обучения. Управление течением в модельной камере сгорания с целью подавления прециссирующего вихревого ядра (ПВЯ) путем вдува азимутально распределенных щелевых струй колебаний осуществлено с помощью программного пакета OpenFOAM и нейронной сети OpenAI: baselines. Апробация такого метода управления с обратной связью проводена на течении в модельной камере сгорания при низких (но не ламинарных) числах Рейнольдса. Метод крупных вихрей (LES, large-eddy simulation) используется для описания потока, в то же время для задания мгновенной радиальной скорости потока из азимутально распределенных щелей использовался алгоритм глубокого обучения с подкреплением (Deep reinforcement learning), синтезирующий регулятор на основе нейронной сети, который стремится максимизировать функцию вознаграждения, основанной на значении мгновенного давления в ряде точек за соплом.

Решена задача оптимизации формы лопатки газовой турбины. Была отлажена методология построения суррогатной модели на примере задачи оптимизации формы лопатки компрессора. Реализован замкнутый программный комплекс, в рамках которого создается база данных автоматической генерацией формы и сетки для расчета, а также дальнейших параллельных вычислений в пакете OpenFOAM. При помощи суррогатной модели, обученной на полученной базе данных, время восстановления интегрального параметра для любого режима составляет долю секунды, при этом CFD расчет при использовании умеренных вычислительных ресурсов занимает порядка 2 часов.

Получены результаты по восстановлению полей скорости, давления и температуры для ламинарных течений вокруг тел обтекания различной формы. Было показано, что результаты, получаемые с помощью нейронной сети, по сравнению с CFD-решателями дают достаточно точные приближенные решения задачи обтекания за существенно меньшее время (примерно в 100-1000 раз). Технологии построения суррогатных моделей на основе нейронных сетей могут использоваться для оценки полей скорости, давления и температуры в прикладных задачах, например, для задач оптимизации формы тела обтекания, с целью увеличения скорости вычислений.

Оборудование и возможности

В распоряжении лаборатории имеется суперкомпьютер “Каскад”, построенный на базе Института теплофизики им. С.С. Кутателадзе СО РАН при софинансировании Новосибирского государственного университета.
Технические характеристики:

CPU: AMD EPYC™ 7302 [https://www.amd.com/en/products/cpu/amd-epyc-7302], суммарно 1216 вычислительных физических ядер

GPU: NVIDIA A100 [https://www.nvidia.com/ru-ru/data-center/a100/]

ОЗУ: 9.7 Tб Kingston DDR4-3200 [https://www.kingston.com/datasheets/KSM32RS4_16MEI.pdf]

Пиковая производительность: 74 ТФЛОПс
Для визуализации и обработки полученных данных имеются две рабочие станции Supermicro

Публикации

Palkin E.V., Hrebtov M.Y., Slastnaya D.A., Mullyadzhanov R.I., Vervisch L., Sharaborin D.K., Lobasov A.S., Dulin V.M. Influence of a central jet on isothermal and reacting swirling flow in a model combustion chamber // Energies. 2022, 15(5), 1615. [link]
Ivashchenko E., Hrebtov M., Timoshevskiy M., Pervunin K., Mullyadzhanov R. Systematic validation study of an unsteady cavitating flow over a hydrofoil using conditional averaging: LES and PIV // Journal of Marine Science and Engineering. 2021, 9(11), 1193. [link]
Zaripov D., Ivashchenko V., Mullyadzhanov R., Li R., Mikheev N., Kähler C.J. On a mechanism of near-wall reverse flow formation in a turbulent duct flow // Journal of Fluid Mechanics. 2021, 923. [link]
Zaripov D., Ivashchenko V., Mullyadzhanov R., Li R., Markovich D., Kähler C.J. Reverse flow phenomenon in duct corners at a low Reynolds number // Physics of Fluids. 2021, 33(8), 085130. [link]
Mullyadzhanov R., Gelash A. Solitons in a box-shaped wave field with noise: perturbation theory and statistics // Physical Review Letters. 2021, 126(23), 234101. [link]
Bobrov M., Hrebtov M., Ivashchenko V., Mullyadzhanov R., Seredkin A., Tokarev M., Zaripov D., Dulin V., Markovich D. Pressure evaluation from Lagrangian particle tracking data using a grid-free least-squares method // Measurement Science and Technology. 2021, 32(8), 084014. [link]
Tokarev M., Palkin E., Mullyadzhanov R. Deep reinforcement learning control of cylinder flow using rotary oscillations at low Reynolds number // Energies. 2020, 13(22), 5920. [link]
Gelash A., Mullyadzhanov R. Anomalous errors of direct scattering transform // Physical Review E. 2020, 101(5), 052206. [link]
Mullyadzhanov R., Gelash A. Direct scattering transform of large wave packets // Optics Letters. 2019, 44(21), 5298-301. [link]
Hadžiabdić M., Palkin E., Mullyadzhanov R., Hanjalić K. Heat transfer in flow around a rotary oscillating cylinder at a high subcritical Reynolds number: A computational study // International Journal of Heat and Fluid Flow. 2019, 79, 108441. [link]
Palkin E., Hadžiabdić M., Mullyadzhanov R., Hanjalić K. Control of flow around a cylinder by rotary oscillations at a high subcritical Reynolds number // Journal of Fluid Mechanics. 2018, 855, 236-66. [link]
Mullyadzhanov R.I., Sandberg R.D., Abdurakipov S.S., George W.K., Hanjalić K. Propagating helical waves as a building block of round turbulent jets // Physical Review Fluids. 2018, 3(6), 062601. [link]