深度学习预测任意加减速脉动湍流管流减阻的泛化能力
流体动力学
2026-01-01 v1
摘要
利用深度学习预测了脉动湍流管流的时空演化。采用卷积神经网络（CNN）和长短期记忆网络（LSTM），通过递归预测局部时间演化来实现长期预测。为了增强预测效果，在训练过程中引入了壁面剪切应力等物理分量。数据集来自直接数值模拟（DNS）。模型仅在由周期和振幅定义的有限正弦脉动流数据集上进行训练。随后，对36种具有任意非正弦加减速的脉动流进行了预测，以评估其泛化能力，即对训练中未见数据的预测性能。该模型成功预测了从-1%到86%的减阻率，平均绝对误差为9.2。这种对未见脉动流的预测性能表明，局部时间预测起着核心作用，而非学习脉动波形的全局轮廓。通过分析训练集和测试集之间周期性Cf-Reb轨迹的差异，定量验证了这一推论，表明与训练数据具有局部相似性的流动更可预测。此外，研究还证明，当训练数据中包含间歇性层流-湍流转变和再层流化状态时，表现出这些状态的流动变得可预测。结果表明，只要训练数据充分覆盖局部流态空间，就能实现准确预测，这凸显了为广义流动预测选择合适训练数据的重要性。
引用
@article{arxiv.2512.24757,
title = {Generalization Capability of Deep Learning for Predicting Drag Reduction in Pulsating Turbulent Pipe Flow with Arbitrary Acceleration and Deceleration},
author = {Sota Kumazawa and Yasuhiro Yoshida and Tomohiro Nimura and Akira Murata and Kaoru Iwamoto},
journal= {arXiv preprint arXiv:2512.24757},
year = {2026}
}
备注
46 pages, 18 figures, Submitted to International Journal of Heat and Fluid Flow (Special Issue on THMT-11)