用于湍流流动建模的分治式机器学习方法
流体动力学
2024-08-27 v1
摘要
本文提出了一种新型基于分治技术的分区机器学习（ML）方法，用于雷诺齐平均Navier-Stokes（RANS）湍流建模。该方法通过将流动域划分为称为“区”的流动物理区域，在每个区域分别训练一个ML模型，然后对其对应区域进行验证和测试。该方法以张量基神经网络（TBNN）和另一种神经网络（TKENN）进行演示。这两种方法用于预测测试案例中流动过固体块体的雷诺应力各向异性和湍流动能。结果表明，分区TBNN和TKENN的组合预测比其对应的标准非分区模型具有更高的准确性。尤为突出的是，分区TBNN在测试案例中的剪切各向异性分量预测准确率分别比非分区TBNN和 RANS提高了至少20%和55%。使用分区预测构建的雷诺应力也比非分区方法提高了至少23%，比 RANS 提高了30%。这些改进归因于分区的形状使得分区模型能够在预测输出方面高度局部优化。
引用
@article{arxiv.2408.13568,
title = {A Divide-and-Conquer Machine Learning Approach for Modelling Turbulent Flows},
author = {Anthony Man and Mohammad Jadidi and Amir Keshmiri and Hujun Yin and Yasser Mahmoudi},
journal= {arXiv preprint arXiv:2408.13568},
year = {2024}
}