从深度学习到湍流的物理信息学习：诊断
流体动力学
2018-12-06 v2 机器学习
混沌动力学
机器学习
摘要
我们描述了若干验证工作，这些工作通过在充分发展湍流的直接数值模拟上训练三种深度学习（DL）神经网络（NN）方案，在推进水动力代码的加速与自动化方面取得了进展。即便是不显式考虑任何湍流物理的裸DL解，在对湍流重要特征的定性描述上整体也令人印象深刻地好。然而，早期测试也揭示了DL方法的一些缺陷。我们观察到，实现卷积GAN（Convolutional GAN）并基于湍流空间快照训练的静态DL方案，未能再现小尺度湍流涨落的间歇性与大尺度湍流几何的细节。我们表明，在湍流快照时间序列上训练的动态NN方案，即LAT-NET与压缩卷积LSTM（Compressed Convolutional LSTM），能够纠正静态NN的缺陷。我们提出了通过NN改善湍流大尺度几何可再现性的前进路径。
引用
@article{arxiv.1810.07785,
title = {From Deep to Physics-Informed Learning of Turbulence: Diagnostics},
author = {Ryan King and Oliver Hennigh and Arvind Mohan and Michael Chertkov},
journal= {arXiv preprint arXiv:1810.07785},
year = {2018}
}
备注
8 pages, 3 figures