多保真数据源融合用于不确定性量化：一种轻量级 CNN 方法
流体动力学
2023-01-30 v1
摘要
雷诺平均纳维-斯托克斯（RANS）建模因 Boussinesq 湍流粘性假设而 notorious 地引入了模型形式不确定性。近年来，特征空间扰动方法（EPM）被开发用于估计 RANS 模型形式不确定性。该方法通过对预测的雷诺应力张量注入扰动来估计模型形式不确定性。然而，需要一种可靠的机器学习方法来估计雷诺应力张量的扰动幅值。机器学习模型对此应用往往过于复杂且数据密集。我们提出了一种轻量级卷积神经网络（CNN）方法，从 RANS 与 DNS 模拟结果的配对样本中学习 RANS 的修正函数。该 CNN 学习的 RANS 修正函数成功促进了 RANS 不确定性量化（UQ），且我们的发现表明轻量级 CNN 方法能有效结合 RANS 与 DNS 模拟结果，从而丰富现有扰动方法以更精确地估计 RANS UQ。
引用
@article{arxiv.2301.11848,
title = {Combination of Multi-Fidelity Data Sources For Uncertainty Quantification: A Lightweight CNN Approach},
author = {Minghan Chu and Weicheng Qian},
journal= {arXiv preprint arXiv:2301.11848},
year = {2023}
}