AutoTurb：使用大型语言模型进行湍流闭合的代数模型发现
流体动力学
2024-10-15 v1 神经与进化计算
摘要
符号回归 (SR) 方法已被广泛用于探索 Reynolds 均匀化 Navier-Stokes (RANS) 方程的显式代数 Reynolds 应力模型 (EARSM)。推导出的 EARSM 可轻易实现于现有的计算流体动力学 (CFD) 代码中， 并促进了物理可解释湍流模型的识别。现有的 SR 方法，如遗传编程、稀疏回归或人工神经网络， 需要用户定义的函数算子、候选库或复杂的优化算法。在本工作中， 提出了一种新框架，使用 LLM 自动发现用于修正 RSM 的代数表达式。该方法同时涉及 Reynolds 应力的直接观察以及 CFD 仿真的间接输出， 以确保数据一致性并避免数值刚度。在目标函数中额外施加了功能复杂度和收敛性约束， 由于 LLM 的极大灵活性。采用演化搜索进行全局优化。该方法针对 Re = 10,595 时周期性坡道上的分离流进行。对发现模型的可推广性在一组具有不同雷诺数和几何形状的 2D 涡流分离流配置上进行了验证。结果表明， 修正的 RANS 可提高对 Reynolds 应力和平均速度场的预测。与其他工作发现的代数模型相比， 该发现的模型在精度和推广能力方面表现更好。该方法为使用 LLM 改进给定流类问题的湍流建模提供了有前景的范式。
引用
@article{arxiv.2410.10657,
title = {AutoTurb: Using Large Language Models for Automatic Algebraic Model Discovery of Turbulence Closure},
author = {Yu Zhang and Kefeng Zheng and Fei Liu and Qingfu Zhang and Zhenkun Wang},
journal= {arXiv preprint arXiv:2410.10657},
year = {2024}
}