基于数据驱动最大熵分布的动力学与连续介质耦合
流体动力学
2023-08-11 v1
摘要
一类重要的多尺度流动情景涉及动力学与连续介质现象的相互作用。尽管混合求解器为应对这些情形提供了自然途径，两个问题限制了其性能。首要的是，由分布估计所隐含的反问题必须被解决，以为动力学求解器提供边界条件。下一个问题来自定义两种求解器之间鲁棒且准确的切换准则。本研究引入一种数据驱动的动力学-连续介质耦合，其中采用最大熵分布(MED)来参数化由连续介质场变量产生的分布。利用高斯过程(GPs)与人工神经网络(ANNs)两种回归方法高效预测MED。因此MED估计被用于执行耦合，并提供切换准则。为实现后者，借助由MED估计计算的Fisher信息距离定义连续介质失效参数。我们通过恢复双峰密度测试所设计MED估计器的性能。接着，将MED估计集成入混合动力学-连续介质求解算法。此处分别选取直接模拟蒙特卡洛(DSMC)与光滑粒子流体动力学(SPH)作为动力学与连续介质求解器。研究了Sod激波管内的单原子气体问题，其中通过应用所设计的MED估计实现DSMC-SPH耦合。在我们的报告测试用例中，相对于基准解观察到非常好的一致性以及可观的加速。
引用
@article{arxiv.2308.05672,
title = {Coupling kinetic and continuum using data-driven maximum entropy distribution},
author = {Mohsen Sadr and Qian Wang and M. Hossein Gorji},
journal= {arXiv preprint arXiv:2308.05672},
year = {2023}
}