基于人工神经网络与引导式基因表达式编程的湍流边界层壁面压力谱预测
流体动力学
2024-02-27 v1
摘要
本研究评估了两种机器学习(ML)技术,即人工神经网络(ANN)和基因表达式编程(GEP),利用数据驱动建模预测湍流边界层下方的壁面压力谱(WPS)的效果。考虑了来自实验和高保真数值模拟的涵盖广泛压力梯度和雷诺数的不同 WPS 数据集。对于两种 ML 方法,均确定了能产生准确预测的最优超参数环境。观察到 ANN 比 GEP 更快且更准确,其训练时间低一个数量级且对数均方误差()更低,尽管内存消耗更高。设计了新颖的训练方案以解决 GEP 的不足。这些包括:(a) ANN 辅助 GEP 以降低训练数据中的噪声;(b) 利用低频和高频趋势引导 GEP 搜索;(c) 分步训练策略,其中染色体先在典型数据集上训练,然后在具有复杂特征的数据集上训练。与基线方案相比,这些训练策略加速了收敛,并得到了具有更高精度(中位数 降低约 )和更高可靠性(四分位距内 的散布降低约 )的模型。最终的 GEP 模型捕捉了不同流动条件和压力梯度下 WPS 的复杂趋势,超越了 Goody 模型的精度。
引用
@article{arxiv.2306.08294,
title = {Artificial Neural Networks and Guided Gene Expression Programming to Predict Wall Pressure Spectra Beneath Turbulent Boundary Layers},
author = {Nachiketa Narayan Kurhade and Nagabhushana Rao Vadlamani and Akash Haridas},
journal= {arXiv preprint arXiv:2306.08294},
year = {2024}
}