结合直接与间接稀疏数据学习可泛化湍流模型
流体动力学
2023-07-19 v1
摘要
从观测数据学习湍流模型对于发现适用于广泛实际流动应用的统一模型具有重要意义。雷诺应力直接观测或速度间接观测均已被用于提升湍流模型的预测能力。本文提出结合直接与间接稀疏数据来训练基于神经网络的湍流模型。采用反向传播技术与观测增强方法，在统一的基于集成的框架中用不同观测数据训练湍流模型。这两类观测数据可发挥协同作用，在不同观测空间约束模型训练，从而能从极稀疏数据学习可泛化模型。本方法在方形管道二次流与周期山分离流中测试。两案例均表明，相较于仅用间接数据，结合直接与间接观测能提升所学模型在相似流动构型中的泛化性。因其非侵入与无导数特性，该基于集成的方法可成为从不同类观测进行模型学习的实用工具。
引用
@article{arxiv.2305.14759,
title = {Combining direct and indirect sparse data for learning generalizable turbulence models},
author = {Xin-Lei Zhang and Heng Xiao and Xiaodong Luo and Guowei He},
journal= {arXiv preprint arXiv:2305.14759},
year = {2023}
}
备注
42 pages, 16 figures