用于预测性湍流建模的综合性物理信息机器学习框架
摘要
尽管计算资源可用性的增加使得湍流的高保真模拟成为可能，但RANS（雷诺平均纳维-斯托克斯）模型仍是工业应用的主导工具。然而，RANS模型的预测能力受到雷诺应力闭合中假设导致的潜在不准确的限制。最近，提出了一种物理信息机器学习（PIML）方法，基于可用数据学习RANS模拟中雷诺应力偏差的函数形式。已证明学习的偏差函数可用于改善无数据可用的不同流中的雷诺应力。然而，由于若干挑战，改进仅在雷诺应力预测中得以证明，而未在相应的传播关注量中证明。本工作中，我们介绍了迈向完整PIML框架用于预测性湍流建模的步骤，包括学习雷诺应力偏差函数、在不同流中预测雷诺应力以及传播到平均流场。研究了雷诺应力传播过程及传播速度场的预测精度。为提高学习-预测性能，基于不变量的完整性基丰富了输入特征。方形管道中的充分发展湍流用作测试用例。偏差模型在多个雷诺数获得的流场上训练，并在高于任何训练案例雷诺数的管道流上评估。预测的雷诺应力通过RANS方程传播到速度场。数值结果显示在雷诺应力及其传播速度上均具有优异的预测性能，证明了PIML方法在预测性湍流建模中的优点。
引用
@article{arxiv.1701.07102,
title = {A Comprehensive Physics-Informed Machine Learning Framework for Predictive Turbulence Modeling},
author = {Jian-Xun Wang and Jinlong Wu and Julia Ling and Gianluca Iaccarino and Heng Xiao},
journal= {arXiv preprint arXiv:1701.07102},
year = {2018}
}
备注
This manuscript is unpublished. The work presented herein has been significantly improved and published separately as: J.-L. Wu, H. Xiao and E. G. Paterson. Physics-informed machine learning approach for augmenting turbulence models: A comprehensive framework. Physical Review Fluids. 3, 074602, 2018. DOI: 10.1103/PhysRevFluids.3.074602