二维湍流中粒子优先浓缩的神经网络模型
流体动力学
2023-12-25 v1
摘要
团簇与空隙的形成是颗粒负载湍流动力学中的关键过程。在本工作中，我们评估了各种神经网络模型在合成湍流中粒子优先浓缩场方面的性能。我们使用了一个包含单向耦合惯性点粒子的均匀各向同性二维湍流直接数值模拟数据库，以涡度作为输入来训练模型预测粒子数密度场。我们比较了自编码器、U-Net、生成对抗网络（GAN）和扩散模型方法，并评估了生成的粒子数密度场的统计特性。我们发现 GAN 在预测团簇和空隙方面表现更优，因此取得了最佳性能。此外，我们探索了“超采样”的概念，即神经网络可以仅使用少量粒子的信息来预测完整的粒子数据，这为通过避免追踪数百万个粒子来降低昂贵的 DNS 计算的计算成本提供了有前景的视角。我们还探索了在不同 Stokes 数下以粒子数密度分布作为输入来合成拟涡能场的反问题。因此，我们的研究也表明了利用神经网络通过惯性粒子的实验测量来预测湍流统计特性的潜力。
引用
@article{arxiv.2312.14829,
title = {Neural network models for preferential concentration of particles in two-dimensional turbulence},
author = {Thibault Maurel-Oujia and Suhas S. Jain and Keigo Matsuda and Kai Schneider and Jacob R. West and Kazuki Maeda},
journal= {arXiv preprint arXiv:2312.14829},
year = {2023}
}