基于特征空间工程辅助学习与推断的通用化物理约束建模
流体动力学
2021-07-28 v2 计算物理
摘要
本工作提出一种形式化方法，通过从稀疏数据学习可泛化的增强来提升物理模型的预测精度。基于数据驱动湍流建模的近期进展，本文方法称为特征空间工程辅助学习与推断（LIFE），其假设鲁棒性与泛化性需要精心设计的、由底层物理所启发的特征空间，以及细致构建的特征到增强的映射。该方法的关键组成部分为：（1）在学习与预测环境中保持一致性；（2）通过将增强约束为在整个推断过程中可学习，实现紧耦合的推断与学习；（3）以适当函数形式识别相关物理知情特征，以使多种情形在特征空间中有显著重叠从而促进泛化性；（4）对特征空间保持显式控制，以仅在有数据点邻近区域改变增强函数行为。为证明该方法可行性，将其用于旁路转捩建模。增强在来自ERCOFTAC数据集的两个平板情形的壁面摩擦数据上开发。特征空间中结构化网格上的分段线性插值被用作增强的示例函数形式，以展示局部学习能力。随后将增强模型应用于具有不同来流湍流强度、压力梯度和雷诺数的多种平板情形。增强模型的预测能力也在单级高压涡轮叶栅情形上测试，并从特征空间所含信息角度分析模型性能。
引用
@article{arxiv.2103.16042,
title = {Generalizable Physics-constrained Modeling using Learning and Inference assisted by Feature Space Engineering},
author = {Vishal Srivastava and Karthik Duraisamy},
journal= {arXiv preprint arXiv:2103.16042},
year = {2021}
}
备注
56 pages, 28 figures