机器学习增强的全阶与简化秩-平均纳维-斯托克斯方程
流体动力学
2025-10-09 v1 数值分析
数值分析
摘要
本文聚焦于Reynolds平均纳维-斯托克斯(RANS)模型及其构建可靠简化模型的应用，以加速面向实时应用与大规模查询情景的预测。具体探讨机器学习如何提升模型在全阶模型(FOM)与简化模型(ROM)层面的预测能力。我们首次将这两领域创新性地集成：利用数据驱动RANS模型——-向量基神经网络生成FOM快照，这是机器学习方法首次实现大尺度参数变动的泛化。我们提出量身定制的训练策略以提升FOM模型的准确性。在ROM层面，我们比较标准正交分解(POD)在入侵式Galerkin方法(PODG)与POD神经网络方法(PODNN)中的结果。数值验证基于经典湍流基准问题：正方形通道内流动。我们的研究表明，PODG方法在湍流预测中不稳定且不准确，而PODNN在准确性与计算效率方面表现优异。
引用
@article{arxiv.2510.06992,
title = {Machine Learning enhanced parametric Reynolds-averaged Navier-Stokes equations at the full and reduced order levels},
author = {Davide Oberto and Maria Strazzullo and Stefano Berrone},
journal= {arXiv preprint arXiv:2510.06992},
year = {2025}
}