基于机器学习的球形颗粒装配体流动阻力建模：方法比较
计算物理
2025-07-09 v1 流体动力学
摘要
随机装配体中颗粒的阻力可通过颗粒解析直接数值模拟（PR-DNS）精确估计。尽管其适用范围受限于较小规模的装配体，但PR-DNS获取的数据为更具成本效益的Eulerian-Lagrangian点颗粒方法发展提供了阻力闭式公式的依据。近期，越来越多精力投入开发能够考虑颗粒装配结构效应的确定性阻力模型。当前成功的确定性模型主要为黑箱神经网络，其特征包括：1）假设邻近颗粒对阻力的两两叠加效应；2）在宽广的颗粒浓度与流动范畴下进行PR-DNS数据训练。为缓解神经网络的黑箱特性，我们采用遗传编程（GP）开发可解释模型。在先前研究中，此方法在Stokes层流中取得成功。本文将GP方法推广至更高颗粒Reynolds数范畴。具体做法是：训练图神经网络（GNN）从PR-DNS数据中学习颗粒间两两相互作用构成的阻力变化。通过置换法评估GNN输入特征的重要性。随后，将从GNN中提取的估计两两相互作用输入至GP算法，后者搜索拟合输入数据的符号表达式。我们比较训练的GNN模型与所得符号表达式，以评估符号表达式能否捕捉GNN所学习的底层模式。比较结果表明，GP在寻找相对简单符号模型方面具有潜力。同时，符号模型的准确率略低于GNN。
引用
@article{arxiv.2507.05983,
title = {Drag modelling for flows through assemblies of spherical particles with machine learning: A comparison of approaches},
author = {Julia Reuter and Hani Elmestikawy and Sanaz Mostaghim and Berend van Wachem},
journal= {arXiv preprint arXiv:2507.05983},
year = {2025}
}