基于隐式因子化转换器的湍流通道流动快速预测方法
流体动力学
2025-02-27 v2 人工智能
摘要
转换器神经算子最近成为求解偏微分方程（PDE）控制系统的有效替代模型方法。本文引入了一种修改后的隐式因子化转换器（IFactFormer-m）模型，用并行因子化注意力取代原有的链式因子化注意力。IFactFormer-m 模型成功实现了湍流通道流动的长期预测，而原始 IFactFormer（IFactFormer-o）、傅里叶神经算子（FNO）和隐式傅里叶神经算子（IFNO）则表现不佳。湍流通道流动通过在摩擦雷诺数 处进行细网格直接数值模拟，并筛选到粗网格用于训练神经算子。神经算子以当前流场为输入，预测下一时间步的流场，通过自回归方法实现长期预测。结果表明，IFactFormer-m 在短期内比其他神经算子和传统大涡模拟（LES）方法（包括动态 Smagorinsky 模型（DSM）和壁面自适应局部涡动黏度模型（WALE））的预测误差更小，能够稳定准确地预测各种统计特性和流动结构，包括能谱、平均流向速度、流动润滑速度的均方根（rms）值、雷诺切应力以及瞬时速度的空间结构。此外，训练好的 IFactFormer-m 远快于传统 LES 方法。通过分析注意力核，我们阐明了 IFactFormer-m 为什么比 IFactFormer-o 更快收敛，并实现稳定准确的长期预测的原因。代码和数据可在 https://github.com/huiyu-2002/IFactFormer-m 查看。
引用
@article{arxiv.2412.18840,
title = {Implicit factorized transformer approach to fast prediction of turbulent channel flows},
author = {Huiyu Yang and Yunpeng Wang and Jianchun Wang},
journal= {arXiv preprint arXiv:2412.18840},
year = {2025}
}