基于 Transformer 的神经算子用于湍流大涡模拟
流体动力学
2024-06-07 v2 混沌动力学
摘要
预测三维(3D)湍流的大尺度动力学对机器学习方法而言具有挑战性。本文提出一种基于 Transformer 的神经算子(TNO),以在三维湍流的大涡模拟(LES)中实现精确且高效的预测。在均匀各向同性湍流(HIT)和自由剪切湍流混合层中,系统地测试了所提 TNO 模型的性能,并与采用经典亚格子(SGS)模型(包括动态 Smagorinsky 模型(DSM)和动态混合模型(DMM))的 LES 以及原始 Fourier 神经算子(FNO)模型进行了比较。数值模拟综合评估了这些模型在多种流动统计量上的表现,包括速度谱、涡量的概率密度函数(PDF)、速度增量的 PDF、湍动能的演化以及 Q 准则的等值面。结果表明,在 HIT 中,TNO 模型的精度与采用 DSM 模型的 LES 相当,并优于 FNO 模型及采用 DMM 的 LES。在自由剪切湍流中,TNO 模型相较于其他模型表现出更高的精度。此外,TNO 模型参数量少于 FNO 模型,并能实现 FNO 模型无法达到的长期稳定预测。训练良好的 TNO 模型显著快于采用 DSM 和 DMM 模型的传统 LES,且可推广至更高 Taylor-Reynolds 数的情形,显示出其在三维非线性工程应用中的强大潜力。
引用
@article{arxiv.2403.16026,
title = {A transformer-based neural operator for large-eddy simulation of turbulence},
author = {Zhijie Li and Tianyuan Liu and Wenhui Peng and Zelong Yuan and Jianchun Wang},
journal= {arXiv preprint arXiv:2403.16026},
year = {2024}
}
备注
45 pages, 21 figures. arXiv admin note: text overlap with arXiv:2305.10215