通过机器学习连接二维湍流的隐式与显式大涡模拟
流体动力学
2019-02-07 v1
摘要
本文中，我们利用机器学习动态确定计算网格上的点是否需要隐式数值耗散以进行大涡模拟（LES）。该决策过程通过对直接数值模拟（DNS）数据导出量的\emph{先验}训练学习得到。特别地，我们计算通过DNS量粗粒化获得的涡黏性，并利用其分布来划分需要耗散的区域。若我们的学习判定需要封闭，则采用迎风格式计算非线性Jacobian；反之，若判定无需封闭，则改用对称且二阶精度的能量与涡量保持Arakawa格式。这形成了一个封闭框架，其排除了对小尺度湍流贡献的任何模型形式的指定，而是根据显式封闭驱动的假设部署适当的数值耗散。该方法应用于Kraichnan湍流测试用例，并通过角度平均动能谱和涡量结构函数等多种统计量进行评估。因此，我们的框架在显式LES封闭思想与基于数值格式的湍流建模之间建立了直接联系，从而提升了\emph{后验}模拟的统计保真度。
引用
@article{arxiv.1901.09329,
title = {Connecting implicit and explicit large eddy simulations of two-dimensional turbulence through machine learning},
author = {Romit Maulik and Omer San and Jamey D Jacob},
journal= {arXiv preprint arXiv:1901.09329},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1812.02211, arXiv:1812.11949