基于贝叶斯推断的流体MRI中均匀速度场与湍流模型
流体动力学
2024-12-17 v1 机器学习
最优化与控制
摘要
我们求解了一个贝叶斯逆Reynolds平均Navier-Stokes(RANS)问题，通过联合重构均匀流场和学习其未知RANS参数来融合均匀流数据。我们设计了一个算法，从均匀流数据中学习代数有效粘度模型的最可能参数，并估计其不确定性。我们进行了一次流体MRI实验，以获取在一种理想化的医疗器械（即FDA喷嘴）中受约束湍流喷流的均匀流数据。该算法成功地重构了均匀流场并学习了最可能的湍流模型参数，同时避免了过拟合。该方法接受任何湍流模型，无论是代数(显式)还是多方程(隐式)，只要该模型可微，并自然地扩展到不稳定湍流流动。
引用
@article{arxiv.2412.11266,
title = {Bayesian inference of mean velocity fields and turbulence models from flow MRI},
author = {A. Kontogiannis and P. Nair and M. Loecher and D. B. Ennis and A. Marsden and M. P. Juniper},
journal= {arXiv preprint arXiv:2412.11266},
year = {2024}
}