基于粗粒化投影积分与深度学习的Burgers湍流加速演化
流体动力学
2023-05-29 v1 计算物理
摘要
将湍流模拟至稳态在许多实际重要的工程问题中是一个主要瓶颈。该问题可视为一个多尺度问题，涉及在较长的大涡翻转时间尺度上发生的能量重分配过程，以及在短得多的湍流涨落时间尺度上发生的混沌过程。但缺乏从低维矩对瞬时速度场进行超分辨率重建的方法，阻碍了加速湍流模拟的多尺度计算方法的实现。在此，我们使用编码器-解码器循环神经网络来学习一维随机Burgers方程（一种常见的湍流玩具模型）的瞬时速度场与能谱之间的关系。我们利用该模型在基于无方程粗粒化投影积分多尺度模拟方案中，使用速度-能量、细-粗多尺度框架从瞬时能谱重建速度场。本文提出的多尺度-机器学习方法在wall clock时间内比单独使用直接数值模拟快达442倍恢复最终的统计稳态湍流Burgers速度场，且具有3位精度。
引用
@article{arxiv.2305.16564,
title = {Accelerated evolution of Burgers turbulence with coarse projective integration and deep learning},
author = {Mrigank Dhingra and Omer San and Anne E. Staples},
journal= {arXiv preprint arXiv:2305.16564},
year = {2023}
}
备注
23 pages, 17 figures