开发一种模型一致性的降维训练方法以量化并减少分离流动中的认识不确定性
流体动力学
2024-08-02 v1 数据分析、统计与概率
摘要
本提议工作引入了一种数据同化辅助的训练方法，用于神经网络，以有效减少分离流动状态估计中的认识不确定性。该方法称为模型一致性训练，确保输入特征直接来自基于物理的模型（如湍流模型的平均纳维-斯托克斯方程），以准确表示流动的当前状态。已选用自编码器作为此任务的工具，因其能够从大数据集中捕获关键信息，特别适合处理在空间和时间维度上均具有大量离散点的高维数据。这种创新方法将集合卡尔曼方法集成进训练过程中，为改进湍流预测中的模型准确性和性能提供了稳健的框架。
引用
@article{arxiv.2408.00120,
title = {Developing a Model-Consistent Reduced-Dimensionality training approach to quantify and reduce epistemic uncertainty in separated flows},
author = {Minghan Chu},
journal= {arXiv preprint arXiv:2408.00120},
year = {2024}
}