数据驱动热流体模型的机器学习框架分类
流体动力学
2018-11-07 v2
摘要
热流体过程本质上是多物理场和多尺度的，涉及质量-动量-能量输运现象。热流体模拟（TFS）基于求解守恒方程，除“第一性原理”直接数值模拟外，均需闭合关系（CRs）以提供微观相互作用。实践中，TFS通过降阶建模实现，其CRs可由相关且充分评估的实验和高保真模拟的观测与数据来提供信息。本文关注数据驱动的TFS模型，特别是利用机器学习（ML）进行开发。引入了五种ML框架，称为I型至V型。这些框架在不同应用中的表现取决于对控制物理知识的掌握程度、可用于训练的源、类型、数量与质量。值得注意的是，本文首次提出的III型模型对建模有严格要求、训练需大量计算资源，且在热流体研究中从“大数据”提取价值方面具有高潜力。本文通过三个例子展示ML框架。首先，我们利用由卷积神经网络表述的具有非线性导热系数的热扩散方程来说明I型、II型和III型ML的应用。结果表明在数据支持不足时偏好II型ML。III型ML可有效利用场数据，可能生成比I型和II型ML更稳健的预测。其次，我们借助已有参考文献说明如何采用I型ML和II型ML框架进行数据驱动的湍流建模。第三，我们通过构建基于深度学习（DL）的两相流建模滑移闭合来展示I型ML。结果表明基于DL的闭合在预测域内呈现有界误差。
引用
@article{arxiv.1801.06621,
title = {Classification of Machine Learning Frameworks for Data-Driven Thermal Fluid Models},
author = {Chih-Wei Chang and Nam T. Dinh},
journal= {arXiv preprint arXiv:1801.06621},
year = {2018}
}