以深度学习推进特征空间扰动法用于湍流模型不确定性量化
机器学习
2022-03-17 v2 计算工程、金融与科学
摘要
雷诺平均纳维-斯托克斯(RANS)模型是湍流模拟中最常见的模型形式。它们用于计算雷诺应力张量，并为工程流动给出稳健结果。但RANS模型预测存在较大误差与不确定性。过去已有一些利用数据驱动方法提升其准确性的工作。本工作中，我们概述一种机器学习方法，以辅助使用特征空间扰动法预测湍流模型预测中的不确定性。我们使用训练好的神经网络预测RANS预测的雷诺应力椭球形状中的偏差。我们将该模型应用于若干湍流流动，并展示该方法相较于直接数值模拟(DNS)、大涡模拟(LES)或以往工作的实验结果，如何正确识别建模误差发生的区域。
引用
@article{arxiv.2202.12378,
title = {Deep Learning to advance the Eigenspace Perturbation Method for Turbulence Model Uncertainty Quantification},
author = {Khashayar Nobarani and Seyed Esmaeil Razavi},
journal= {arXiv preprint arXiv:2202.12378},
year = {2022}
}