机器学习方法用于态到态方法的评估
流体动力学
2024-06-19 v1 机器学习
摘要
众所周知，在态到态公式框架下对高速反应流的数值模拟是最细致的，但也常常在计算上昂贵得令人望而却步。在这项工作中，我们开始研究使用机器学习方法进行态到态模拟以缓解此类负担的可能性。在这方面，已识别出若干任务。首先，我们评估了基于机器学习的先进数据驱动回归模型预测弛豫源项的潜力，这些源项出现在平面激波后 N/N 二元混合物一维反应流的态到态 Euler 方程组右侧。我们发现，通过适当选择回归器并巧妙调整其超参数，与全尺度态到态模拟相比，可在显著更短的时间内实现准确预测。其次，我们研究了通过将我们自研的态到态求解器与性能最佳的预训练机器学习算法耦合来加速的不同策略。将机器学习方法嵌入常微分方程求解器可能提供数个数量级的加速，但应谨慎对待此类耦合的实现方式和位置。发现性能强烈依赖于接口代码的相互性质。最后，我们旨在通过深度神经网络推断态到态 Euler 方程组的完整解，完全绕过态到态求解器的使用而仅依赖数据。有前景的结果表明，深度神经网络似乎也是用于这些任务的可行技术。
引用
@article{arxiv.2104.01042,
title = {Assessment of machine learning methods for state-to-state approaches},
author = {Lorenzo Campoli and Elena Kustova and Polina Maltseva},
journal= {arXiv preprint arXiv:2104.01042},
year = {2024}
}