利用神经网络提高湍流模型精度
流体动力学
2020-12-04 v1
摘要
采用简单结构的神经网络构建大涡模拟（LES）的湍流模型。利用均匀各向同性湍流直接数值模拟（DNS）所获得的数据训练神经网络。结果表明，两种方法有助提高模型精度：对训练数据加权，以及将速度二阶导数加入输入变量。由此，在较大滤波宽度下，精确亚格子尺度应力与神经网络预测之间获得了高相关性；滤波宽度为48.8η和97.4η时相关系数分别约为0.9和0.8，其中η为 Kolmogorov 尺度。神经网络建立的模型接近但不等同于梯度模型。将神经网络模型用于均匀各向同性湍流和 Taylor-Green 涡初值问题的 LES。神经网络模型所得结果与滤波后 DNS 结果合理一致。然而，后一问题的对称性被破坏，因为神经网络模型在正交变换下不具备严格对称性。
引用
@article{arxiv.2012.01723,
title = {Improving accuracy of turbulence models by neural network},
author = {Satoshi Miyazaki and Yuji Hattori},
journal= {arXiv preprint arXiv:2012.01723},
year = {2020}
}
备注
23 pages, 21 figures