基于深度学习的强迫Burgers湍流数据驱动亚网格尺度建模及通过迁移学习向更高雷诺数的泛化
流体动力学
2021-02-05 v1 大气与海洋物理
摘要
近年来，为大涡模拟（LES）开发数据驱动的亚网格尺度（SGS）模型受到了广泛关注。尽管取得了一些成功，特别是在先验（离线）测试中，但仍存在一些挑战，包括后验（在线）测试中的数值不稳定性，以及训练好的数据驱动SGS模型的泛化（即外推）问题，例如向更高雷诺数的泛化。在此，以随机强迫的Burgers湍流为测试平台，我们表明使用经过适当预处理（增广）的数据训练的深度神经网络可得到稳定且准确的后验LES模型。此外，我们表明迁移学习能够实现对雷诺数高10倍的流动的准确且稳定的泛化。
引用
@article{arxiv.2012.06664,
title = {Data-driven subgrid-scale modeling of forced Burgers turbulence using deep learning with generalization to higher Reynolds numbers via transfer learning},
author = {Adam Subel and Ashesh Chattopadhyay and Yifei Guan and Pedram Hassanzadeh},
journal= {arXiv preprint arXiv:2012.06664},
year = {2021}
}