Wetenschap
Een deel van een stijgende thermische muurpluim onthult de ingewikkelde structuur van luchtwervelingen. Elke buis vertegenwoordigt een andere turbulente vortex. Krediet:Sivaramakrishnan Balachandar
In een van de meest intensieve toepassingen tot nu toe van de HiPerGator-supercomputer van de Universiteit van Florida, hebben UF-ingenieurs de turbulentie en complexiteit van hete lucht die langs een muur stijgt getrouw gereproduceerd - een voorheen onmogelijke simulatie met toepassingen in brandveiligheid en verwarming en koeling in huis.
Een dergelijke fijnkorrelige en gedetailleerde simulatie van zogenaamde thermische muurpluimen was in het verleden niet mogelijk vanwege de complexiteit van de luchtbewegingen. Maar dankzij het toegewijde gebruik van 90% van het AI-cluster van de HiPerGator gedurende meerdere dagen, was het onderzoeksteam onder leiding van UF-engineeringprofessor Sivaramakrishnan Balachandar in staat om turbulente luchtwervelingen op submillimeterniveau te volgen.
"We hebben bijna het hele HiPerGator AI-cluster gebruikt om een probleem op te lossen dat tot nu toe in onze gemeenschap niet op dit detailniveau is opgelost", zei Balachandar. "Turbulente stroming is een van de grootste uitdagingen in wetenschap en techniek. Turbulentie treft ons overal, van vliegtuigprestaties tot orkaansporen en vulkanische pluimen."
Thermische wandpluimen treden op wanneer hete, drijvende lucht langs een verticaal oppervlak opstijgt. Dit proces vindt plaats tijdens huisbranden en kan branden snel verspreiden als het niet wordt ingeperkt. Maar er komen elke dag minder destructieve thermische muurpluimen voor als verwarmde of gekoelde lucht langs de muren in binnenruimtes stijgt of daalt. Zeer vergelijkbare processen verklaren modderstromen en met sediment beladen stromingen - pluimen die op hun kant zijn gedraaid.
Veel wetenschappers hebben thermische pluimen experimenteel bestudeerd, maar hiervoor moeten dure testlocaties worden gebouwd en wordt beperkt door het aantal sensoren dat op een muur kan worden geplaatst. Die sensoren hebben ook invloed op de metingen die worden gedaan, waardoor de gegevens vertroebeld worden.
Computermodellen van thermische muurpluimen lossen veel van de problemen van experimenten in de echte wereld op, maar het soort simulaties dat op een alledaagse computer kan worden uitgevoerd, is vaag en heeft een lage resolutie. De millimeter-per-millimeter schaal die door het team van Balachandar is bereikt, vereist de middelen van een krachtige supercomputer.
De onderzoekers ontwierpen hun simulatie om luchtbewegingen in een echt huis na te bootsen. In feite introduceerden ze warme lucht aan de onderkant van een muur langs de plint en keken hoe deze in de loop van de tijd evolueerde terwijl deze steeg. Het gesimuleerde huis had verticale muren en daklijnen met verschillende hellingen waarlangs de thermische pluimen zich ontwikkelden, net zoals in een echt huis zou gebeuren.
Samen met experimenten en theorieën uit de echte wereld vormen dit soort simulaties een belangrijke pijler van wetenschappelijke ontdekkingen, zegt Balachandar.
"Met behulp van computers lossen we Moeder Natuur op, en wat de computersimulatie ons geeft, is ongekende toegang tot alle details van wat er binnenin gebeurt. Met onze simulatie kunnen we de muurpluim ingaan en elk hoekje en gaatje zien," zei Balachandar.
In totaal volgden de onderzoekers bijna 100 miljard componenten, zoals snelheid, druk en temperatuur, meer dan een kwart miljoen momenten in de tijd. Het werk vereiste 125 van de 140 nodes van het HiPerGator AI-cluster. Elk knooppunt bevat acht GPU's en 128 CPU's, die elk verschillende soorten berekeningen uitvoeren. Het team van Balachandar optimaliseerde hun code om te draaien op de NVIDIA GPU's die de AI-clusterknooppunten aandrijven, waardoor de prestaties van hun simulatie verder werden verbeterd.
Dit soort gedetailleerde simulaties stromen ook naar praktische toepassingen. Ingenieurs gebruiken bijvoorbeeld veel eenvoudigere modellen - met mogelijk foutieve aannames ingebakken - om hen te helpen bij het ontwerpen en begrijpen van verwarmingssystemen in huis of brandcodes. Door die modellen te verbeteren, kunnen deze ontwerpen beter worden.
"Nu kunnen we bestaande modellen testen en ontdekken waar ze tekortschieten. We zijn van plan kunstmatige intelligentie te gebruiken om onze terabytes aan gegevens te analyseren en ons te helpen betere modellen te ontwikkelen die mensen kunnen gebruiken", zei Balachandar. + Verder verkennen
Wetenschap © https://nl.scienceaq.com