用于假定概率密度函数模型的深度学习
计算物理
2019-09-04 v2 流体动力学
摘要
在本工作中，我们利用机器学习技术开发用于反应流大涡模拟的假定概率密度函数（PDF）模型。采用多种机器学习算法和常用的解析模型对混合分数与进度变量的联合亚滤波PDF进行建模。本工作评估的机器学习算法代表了三类主要的机器学习技术：传统集成方法（随机森林）、深度学习（深度神经网络）和生成式学习（变分自编码器）。前两种算法为监督学习算法，第三种为无监督学习算法。利用低旋流燃烧器（Day et al. 2012）直接数值模拟的数据生成亚滤波PDF模型的训练数据。通过亚滤波PDF与反应速率条件均值的卷积计算滤波后的进度变量反应速率，对模型在亚滤波PDF预测以及该滤波反应速率预测上的表现进行评估。该先验建模研究表明，用于假定PDF建模的深度学习模型比解析beta-beta PDF模型精确三倍。这些模型与随机森林模型精度相当，但可训练参数少五倍，推理速度快25倍。我们说明了模型如何推广到流场其他区域，并基于Jensen-Shannon散度建立准则以量化模型在新数据上的性能。
引用
@article{arxiv.1901.05557,
title = {Deep learning for presumed probability density function models},
author = {Marc T. Henry de Frahan and Shashank Yellapantula and Ryan King and Marc S. Day and Ray W. Grout},
journal= {arXiv preprint arXiv:1901.05557},
year = {2019}
}