Kraichnan 湍流亚网格尺度参数化深度学习的先验分析
计算物理
2020-01-29 v1 流体动力学
摘要
在本研究中，我们在先验设定下研究了用于二维湍流大涡模拟的不同数据驱动参数化方法。这些模型利用较粗网格上的已解析流场变量来估计亚网格尺度应力。我们使用的数据驱动封闭模型基于局部学习，采用了具有点对点映射和邻近模板数据映射的多层前馈人工神经网络（ANN），以及由整个域的瞬态数据快照输入的卷积神经网络（CNN）。这些数据驱动封闭模型的性能通过概率密度函数来衡量，并与动态 Smagorinsky 模型（DSM）进行比较。定量性能使用真实应力与预测应力之间的互相关系数进行评估。我们从训练数据量、输入与输出特征的选择、它们在建模精度方面的特性以及训练和部署的计算时间等方面分析了不同的框架。我们还展示了使用智能涡粘性模型所能实现的计算增益，该模型学习的是 DSM 计算出的涡粘性，而非亚网格尺度应力。我们详细说明了使用网格搜索算法对这些模型进行的超参数优化。
引用
@article{arxiv.1910.07132,
title = {A priori analysis on deep learning of subgrid-scale parameterizations for Kraichnan turbulence},
author = {Suraj Pawar and Omer San and Adil Rasheed and Prakash Vedula},
journal= {arXiv preprint arXiv:1910.07132},
year = {2020}
}