ITT applied active learning to high-parameter vortex-induced vibration experiments, showing a path to accelerate scientific discovery. We describe the development of the Intelligent Towing Tank, an automated experimental facility guided by active learning to conduct a sequence of vortex-induced vibration (VIV) experiments, wherein the parameters of each next experiment are selected by minimizing suitable acquisition functions of quantified uncertainties. This constitutes a potential paradigm shift in conducting experimental research, where robots, computers, and humans collaborate to accelerate discovery and to search expeditiously and effectively large parametric spaces that are impracticable with the traditional approach of sequential hypothesis testing and subsequent train-and-error execution. We describe how our research parallels efforts in other fields, providing an orders-of-magnitude reduction in the number of experiments required to explore and map the complex hydrodynamic mechanisms governing the fluid-elastic instabilities and resulting nonlinear VIV responses. We show the effectiveness of the methodology of “explore-and-exploit” in parametric spaces of high dimensions, which are intractable with traditional approaches of systematic parametric variation in experimentation. We envision that this active learning approach to experimental research can be used across disciplines and potentially lead to physical insights and a new generation of models in multi-input/multi-output nonlinear systems.

中文翻译：

---

机器人智能拖曳罐，用于学习复杂的流体结构动力学

ITT将主动学习应用于高参数涡流诱发的振动实验中，这显示了加速科学发现的途径。我们描述了智能拖曳坦克的发展，这是一种由主动学习指导的自动实验设施，可以进行一系列的涡激振动（VIV）实验，其中，每个下一个实验的参数是通过使量化不确定性的合适采集函数最小化来选择的。这构成了进行实验研究时的潜在范式转变，机器人，计算机和人类共同协作以加快发现并迅速有效地搜索大型参数空间，而传统的顺序假设检验和后续的错误训练方法则不可行。 。我们描述了我们的研究如何与其他领域的工作并行进行，从而减少了探索和映射控制流体弹性不稳定性和由此产生的非线性VIV响应的复杂流体力学机制所需的实验数量，从而减少了数量级。我们展示了“探索和利用”方法在高维度参数空间中的有效性，这是传统的系统参数变化实验方法所难以企及的。我们设想，这种积极的实验研究学习方法可以跨学科使用，并有可能在多输入/多输出非线性系统中带来物理洞察力和新一代模型。为探索和绘制出控制流体弹性不稳定性和由此产生的非线性VIV响应的复杂流体力学机制所需的实验数量，提供了数量级的减少。我们展示了“探索和利用”方法在高维度参数空间中的有效性，这是传统的系统参数变化实验方法所难以企及的。我们设想，这种积极的实验研究学习方法可以跨学科使用，并有可能在多输入/多输出非线性系统中带来物理洞察力和新一代模型。为探索和绘制出控制流体弹性不稳定性和由此产生的非线性VIV响应的复杂流体力学机制所需的实验数量，提供了数量级的减少。我们展示了“探索和利用”方法在高维度参数空间中的有效性，这是传统的系统参数变化实验方法所难以企及的。我们设想，这种积极的实验研究学习方法可以跨学科使用，并有可能在多输入/多输出非线性系统中带来物理洞察力和新一代模型。这是传统的实验中系统化参数变化方法所难以企及的。我们设想，这种积极的实验研究学习方法可以跨学科使用，并有可能在多输入/多输出非线性系统中带来物理洞察力和新一代模型。这是传统的实验中系统化参数变化方法所难以企及的。我们设想，这种积极的实验研究学习方法可以跨学科使用，并有可能在多输入/多输出非线性系统中带来物理洞察力和新一代模型。