用于不同雷诺数入流生成的湍流深度无监督学习
流体动力学
2020-02-19 v1 计算物理
摘要
真实的入流边界条件对于成功模拟发展的湍流边界层或槽道流至关重要。人工智能（AI）领域的最新进展使得开发出性能优于基于直觉的合成方法的入流生成器成为可能。在本工作中，我们应用生成对抗网络（GANs）作为无监督学习的代表，来生成湍流槽道流的入口边界条件。通过利用槽道湍流直接数值模拟（DNS）获得的数据学习湍流的二维空间结构，GAN 能够生成在统计上与 DNS 相似的瞬态流场。令人惊讶的是，仅基于三个雷诺数的训练数据，GAN 就能够在无需任何额外模拟的情况下产生不同雷诺数下的流场。这表明 GAN 能够学习雷诺数效应的普适特性，并可能反映其他模拟条件。最终，通过结合 GAN 和循环神经网络（RNN），我们开发了一种新模型（RNN-GAN），能够长时间生成时变的完全发展流。生成流的时空关联与 DNS 的结果吻合良好。这证明了无监督学习在生成合成湍流场中的有效性。
引用
@article{arxiv.1908.10515,
title = {Deep unsupervised learning of turbulence for inflow generation at various Reynolds numbers},
author = {Junhyuk Kim and Changhoon Lee},
journal= {arXiv preprint arXiv:1908.10515},
year = {2020}
}