学习风的结构：一种用于大气边界层的数据驱动非局部湍流模型
流体动力学
2021-10-07 v1 机器学习
摘要
我们开发了一种用于大气边界层建模的新型数据驱动方法。该方法导出了一个非局部、各向异性的合成湍流模型，我们将其称为深度快速畸变（DRD）模型。我们的方法依赖于一个算子回归问题，该问题刻画了由神经网络部分参数化的一般非局部协方差核族中拟合最佳的候选核。该协方差核族在傅里叶空间中表示，并由极高雷诺数下 Navier--Stokes 方程的近似解得到。该族中的每个成员都纳入了重要的物理性质，如质量守恒和现实的能量级联。DRD 模型可以使用来自现场实验的含噪数据进行校准。校准后，该模型可用于生成合成湍流速度场。为此，我们提供了一种基于区域分解的新数值方法，该方法可为 DRD 模型及其他模型提供可扩展的、内存高效的湍流生成。我们利用来自 1968 年空军剑桥研究实验室堪萨斯实验的滤波和含噪数据，证明了我们方法的鲁棒性。使用这些数据，我们见证了 DRD 模型极高的准确度，尤其是在与国际电工委员会标准进行比较时。
引用
@article{arxiv.2107.11046,
title = {Learning the structure of wind: A data-driven nonlocal turbulence model for the atmospheric boundary layer},
author = {Brendan Keith and Ustim Khristenko and Barbara Wohlmuth},
journal= {arXiv preprint arXiv:2107.11046},
year = {2021}
}