消除神经网络亚网应力模型后验性能下降
流体动力学
2025-11-24 v1 机器学习
摘要
神经网络亚网应力模型在先验条件下的性能常常远优于后验条件下的实际表现，这导致在大尺寸湍流仿真（Large Eddy Simulation, LES）中，神经网络模型在先验条件下看起来非常有前景，却在后验条件下完全失效。通过结合两种不同方法，可显著缩小这种性能差距：训练数据增强和降低神经网络输入的复杂度。使用两种不同滤波器对训练数据进行增强，相对于仅使用一个滤波器训练的神经网络，先验条件下的性能没有退化。而后验条件下，使用两种不同滤波器训练的神经网络在两个不同数值方案的 LES 代码中都表现得更为稳健。此外，通过剔除神经网络输入中高阶项，可使先验与后验之间的性能差异变得不那么明显。当这两种方法结合使用时，具有训练数据增强和更简单输入集的神经网络，其后验性能远远更接近其先验评估结果。
引用
@article{arxiv.2511.17475,
title = {Addressing A Posteriori Performance Degradation in Neural Network Subgrid Stress Models},
author = {Andy Wu and Sanjiva K. Lele},
journal= {arXiv preprint arXiv:2511.17475},
year = {2025}
}