利用贝叶斯神经网络对反应湍流封闭模型进行先验不确定性量化
流体动力学
2025-05-06 v3 机器学习
数据分析、统计与概率
摘要
尽管为大涡模拟 (LES) 中的亚滤波尺度 (SFS) 提出了许多基于物理的封闭模型形式，但直接数值模拟 (DNS) 提供的大量数据创造了利用数据驱动建模技术的机遇。虽然灵活，数据驱动模型仍依赖于数据集和所选模型的函数形式。此类模型的广泛采用需要在数据知情分布内和分布外 regimes 中提供可靠的不确定性估计。在本工作中，我们采用贝叶斯神经网络 (BNNs) 来捕捉反应流模型中的认知不确定性和偶然不确定性。具体而言，我们模拟了过滤后的进程变量标量耗散率，该率在湍流预混火焰的动力学中起关键作用。我们证明了 BNN 模型可以提供关于数据驱动封闭模型不确定性结构的独特见解。我们还提出了一种在 BNN 中纳入分布外信息的方法。通过在包含多种火焰条件和燃料的数据集上进行先验评估，展示了该模型的有效性。
引用
@article{arxiv.2402.18729,
title = {A Priori Uncertainty Quantification of Reacting Turbulence Closure Models using Bayesian Neural Networks},
author = {Graham Pash and Malik Hassanaly and Shashank Yellapantula},
journal= {arXiv preprint arXiv:2402.18729},
year = {2025}
}