数据驱动湍流模型的先验筛选
流体动力学
2023-10-17 v1
摘要
评估白盒湍流模型与已知湍流知识的符合性是直接的。它使用户能够筛选常规湍流模型并识别明显不足,从而实现更有针对性和成效的验证与确认。然而,将黑盒机器学习模型与已知经验标度进行比较并不直观。除非实现并测试该模型,否则不清楚在有限雷诺数训练的机器学习模型是否保持已知的高雷诺数极限。这很不方便,特别是因为模型实现涉及重新训练和重新接口。本工作试图解决此问题,允许对基于前馈神经网络(FNN)的机器学习模型进行快速的先验筛选。该方法利用了我们在文中给出的数学定理。这些定理即使在精确权重和偏置未知时也能给出网络极限的估计。为演示,我们以先验方式筛选现有的机器学习壁面模型和 RANS 模型,检验其对数层物理和黏性层物理的符合性。此外,这些定理可作为未来机器学习模型的基本指导方针。
引用
@article{arxiv.2310.09366,
title = {A priori screening of data-enabled turbulence models},
author = {Peng E S Chen and Yuanwei Bin and Xiang I A Yang and Yipeng Shi and Mahdi Abkar and George I. Park},
journal= {arXiv preprint arXiv:2310.09366},
year = {2023}
}