Комментарии 2
Так и не понял зачем ML потребовался в моделировании продувки, ведь кажется данные скупы и человек имперически может вывести зависимости, основываясь на контрольных точках между которыми интерполировать. А дальше в отладке подстроить формулу влияния. Ведь, я так полнял, не было большого набора данных и сложности типа "найди кота", а была импирика. Три числа посчитать проще и дешевле математикой! Хотя возможно применение тут ML - это плата за опыт...
В этом и история, что данных, в целом, много =)
А ещё больше данных - которых нет и не будет =) Например, в печи может иметься дырка (это не шутка, не в этом конкретно кейсе, но ситуация реальная =)), через которую будет отходить тепло и часть газов/взвеси. И это будет нелинейно влиять на традиционную физическую формулу.
Теоретически, построить физ.мат. модель с учетом всех дополнительных нюансов тех.процесса можно... Но как правило это проект стоимостью в десятки, а то и в сотни миллионов рублей =)
Применение ML в таких задачах - это как раз попытка по косвенным признакам вывести зависимости от "скрытых" данных и восстановить ту самую аппроксимационную функцию на основе данных и сделать это дешевле и быстрее, чем при попытке честного моделирования.
При этом "наивная модель" по нескольким точкам (обычно её зовут baseline) - является первым шагом для построения статистической модели =) И если он уже даёт результат - статистическую модель обычно уже не строят.
Как ML не стал «новым» программированием, но улучшил старое