面向下一代数字孪生的混合分析与建模
计算物理
2021-01-18 v1 流体动力学
摘要
基于物理的建模在许多科学与工程应用中数十年来一直是主力工具，应用范围从风电、天气预报到飞机设计。近来，由于数据驱动模型的非侵入特性和在线学习能力，其在科学与工程的许多分支中日益流行。尽管数据驱动模型性能稳健，但它们面临着泛化性差和难以解释的 challenge。这些挑战促使了基于物理的模型与数据驱动模型的融合，此处称为混合分析与建模（HAM）。我们提出了 HAM 范式下两种不同框架，用于与风能相关的应用，以在新兴数字孪生技术中引入物理真实性。物理引导的机器学习（PGML）框架通过在中间层嵌入来自简化模型的基于物理的特征，降低了神经网络预测的不确定性，其性能在气动力预测任务中得到了展示。我们的结果表明，所提出的 PGML 框架在较小攻角下实现了约 75% 的不确定性降低。界面学习（IL）框架展示了如何耦合不同求解器以产生多保真度模型，并成功应用于支配广泛一类输运过程的 Boussinesq 方程。IL 方法为多尺度、多物理和多保真度模型（M^3 模型）的无缝集成铺平了道路。
引用
@article{arxiv.2101.05908,
title = {Hybrid analysis and modeling for next generation of digital twins},
author = {Suraj Pawar and Shady E. Ahmed and Omer San and Adil Rasheed},
journal= {arXiv preprint arXiv:2101.05908},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2012.13343