基于卷积神经网络与长短期记忆网络的极小湍流槽道流降阶替代模型
流体动力学
2021-12-08 v2 计算物理
摘要
我们研究了基于机器学习的降阶模型（ML-ROM）在三维复杂流中的适用性。作为一个例子，我们考虑摩擦雷诺数 下最小域中可维持湍流相干结构的湍流槽道流。训练数据集由直接数值模拟（DNS）准备。本 ML-ROM 通过结合三维卷积神经网络自编码器（CNN-AE）与长短期记忆（LSTM）网络构建。CNN-AE 用于将高维流场映射到低维潜空间。随后利用 LSTM 预测由 CNN-AE 获得的潜向量的时间演化。CNN-AE 与 LSTM 的结合仅通过对低维潜动力学时间演化的积分即可表征流场的时空高维动力学。本 ML-ROM 再现的湍流流场在时间集合意义上与参考 DNS 数据统计一致，这也可通过基于轨道的分析发现。我们还研究了域内涡结构数量及用于时间预测的时间间隔对 ML-ROM 性能的影响。最后讨论了本 ML-ROM 用于湍流分析的潜力与局限。
引用
@article{arxiv.2010.13351,
title = {Convolutional neural network and long short-term memory based reduced order surrogate for minimal turbulent channel flow},
author = {Taichi Nakamura and Kai Fukami and Kazuto Hasegawa and Yusuke Nabae and Koji Fukagata},
journal= {arXiv preprint arXiv:2010.13351},
year = {2021}
}