面向湍流中亚网格建模的大规模深度学习
计算物理
2019-10-03 v1 分布式、并行与集群计算
机器学习
流体动力学
摘要
湍流建模仍具挑战性。处理湍流所致大尺度分离的一种方式是仅模拟大尺度,并对未解析贡献进行建模,如大涡模拟(LES)中所做。本文关注两种数据驱动且有望替代经典建模概念的深度学习(DL)策略:回归与重构。利用三维(3-D)强迫湍流直接数值模拟(DNS)数据,评估基于已解析解预测物理量未解析部分的亚网格模型。对于回归,表明前馈人工神经网络(ANNs)能够利用滤波输入数据预测完全解析的标量耗散率。研究发现,大尺度量(如滤波被动标量本身)与小尺度量(如滤波能量耗散率)的组合与实际 DNS 数据吻合最佳。此外,采用受增强超分辨率生成对抗网络(ESRGANs)启发的 DL 网络,由滤波速度场重构完全解析的三维速度场。能谱显示非常好的一致性。由于科学数据规模常达 TB 量级或更大,DL 需与高性能计算(HPC)结合。针对超级计算机 JURECA,讨论了 HPC-DL 所需的代码改进。在优化训练代码后,达到了 396.2 TFLOPS。
引用
@article{arxiv.1910.00928,
title = {Deep learning at scale for subgrid modeling in turbulent flows},
author = {Mathis Bode and Michael Gauding and Konstantin Kleinheinz and Heinz Pitsch},
journal= {arXiv preprint arXiv:1910.00928},
year = {2019}
}