层流与湍流的机器学习自适应：在高阶间断 Galerkin 求解器中的应用
流体动力学
2022-09-07 v1 数值分析
数值分析
摘要
我们提出了一种用于定常与非定常流动的基于机器学习的网格加密技术。Otmani 等人（arXiv:2207.02929 [physics.flu-dyn]）提出的聚类技术被用于标记圆柱绕流在 Re=40（定常层流）和 Re=3900（非定常湍流）下的黏性与湍流区域。在该聚类区域内，我们提高多项式阶数，以表明有可能获得与均匀加密网格相当的精度。该方法是有效的，因为聚类成功识别了两种流动区域：黏性/湍流主导区域（包括边界层与尾流）以及无黏/无旋区域（势流区域）。该框架中使用的数据由高阶间断 Galerkin 求解器生成，从而可在聚类区域的每个单元中局部加密多项式阶数（p-加密）。对于定常层流测试用例，我们能够将计算成本降低至多 32%；对于非定常湍流情形，至多降低 33%。
引用
@article{arxiv.2209.02401,
title = {Machine learning adaptation for laminar and turbulent flows: applications to high order discontinuous Galerkin solvers},
author = {Kenza Tlales and Kheir-Eddine Otmani and Gerasimos Ntoukas and Gonzalo Rubio and Esteban Ferrer},
journal= {arXiv preprint arXiv:2209.02401},
year = {2022}
}