结合先验知识量化并降低RANS模拟中的模型形式不确定性
流体动力学
2017-01-25 v1
摘要
基于雷诺平均纳维-斯托克斯(Reynolds-Averaged Navier--Stokes, RANS)模型的模拟已被用于支持与湍流相关的高后果决策。除确定性模型预测外，决策者通常同样关心预测的置信度。在RANS模拟的不确定性中，模型形式不确定性是一个重要甚至主导的来源。因此，量化和降低RANS模拟中的模型形式不确定性对于做出风险知情的决策至关重要。统计界的研究人员通过将数值模型视为黑箱来努力解决此问题。然而，这种与物理无关的方法并非最有效地利用数据，且对大多数工程问题不实用。最近，我们提出了一种开放盒的贝叶斯框架，通过结合观测数据和物理先验知识来量化和降低RANS模拟中的模型形式不确定性。它能以数学严谨性融入现有大量经验知识的信息，从而实现更高效的数据利用。在本工作中，我们考察了在RANS模拟的不确定性量化与降低中融入各类先验知识的益处。结果表明，基于物理的信息性先验在改善模型形式不确定性量化方面起着重要作用，尤其在观测数据有限时。此外，这表明所提出的贝叶斯框架是融合来自多源经验知识的有效途径。
引用
@article{arxiv.1512.01750,
title = {Incorporating Prior Knowledge for Quantifying and Reducing Model-Form Uncertainty in RANS Simulations},
author = {Jian-Xun Wang and Jin-Long Wu and Heng Xiao},
journal= {arXiv preprint arXiv:1512.01750},
year = {2017}
}