在现有机器学习湍流建模中融入基础标定
流体动力学
2023-11-15 v3
摘要
本工作旨在将雷诺平均纳维-斯托克斯(RANS)模型的基础标定作为机器学习(ML)框架的一部分加以融入。所考虑的ML框架为张量基神经网络(TBNN)、物理信息机器学习(PIML)以及场反演与机器学习(FIML),分别见 J. Fluid Mech., 2016, 807, 155-166、Phys. Rev. Fluids, 2017, 2(3), 034603 与 J. Comp. Phys., 2016, 305, 758-774,基线RANS模型为一方程 Spalart-Allmaras 模型、二方程 - 模型以及七方程雷诺应力输运模型。ML框架针对平面槽道流与剪切层流数据进行训练。我们比较了这些ML框架,并研究机器学习得到的增强项在训练集之外是否会产生不利影响。结果总结如下:TBNN导致的增强项是不利的;PIML产生的增强项在训练数据集内有益,但在其外不利;这些结果不受基线RANS模型影响。FIML对两种已具备内层处理的涡黏模型的增强基本为中性;其对不存在内层处理的七方程模型的增强改善了槽道中的平均流预测;此外,这些FIML增强项在训练数据集之外大多无不利影响。除报告上述结果外,本文还对结果给出了物理解释。最后我们注意到,此处得出的结论仅限于本研究考虑的ML框架与流动。要考量近年来的进展,还需更细致的比较研究以及验证与确认研究。
引用
@article{arxiv.2311.03133,
title = {Incorporating basic calibrations in existing machine-learned turbulence modeling},
author = {Jiaqi J. L. Li and Yuanwei Bin and George P. Huang and Xiang I. A. Yang},
journal= {arXiv preprint arXiv:2311.03133},
year = {2023}
}