数据驱动雷诺平均湍流模型中的非唯一机器学习映射
流体动力学
2024-08-20 v3
摘要
近年来对使用机器学习进行湍流建模日益增长的兴趣，促使文献中提出了许多数据驱动湍流模型。然而，大多数模型在开发时并未考虑克服非唯一映射（NUM），这是训练和预测误差的重要来源。尽管大多数数据驱动模型是在二维流动数据上训练的，但文献中仅对由一维通道流数据引起的 NUM 进行了充分研究。本研究旨在首次详细探讨由二维流动引起的 NUM。提出了一种量化 NUM 的方法，并在周期山流动和撞击射流的数据上进行了演示。前者是壁面受限分离流，后者是包含滞止和回流的剪切流。这项工作证实，二维流动数据可以在使用常用不变量输入的数据驱动湍流模型中引发 NUM。这一发现得到了包含不同流动现象的这两个算例的验证，从而表明 NUM 并不局限于特定的流动物理。此外，所提出的方法揭示，在两个算例中，包含低应变和旋转或接近纯剪切的区域导致了大部分 NUM：在周期山流动和撞击射流中分别约占 76% 和 89%。这些结果促使选择粘性比作为补充输入变量（SIV），表明 SIV 可以减少由二维流动数据引起的 NUM，从而提高用于湍流建模的张量基机器学习模型的准确性。
引用
@article{arxiv.2312.13005,
title = {Non-Unique Machine Learning Mapping in Data-Driven Reynolds Averaged Turbulence Models},
author = {Anthony Man and Mohammad Jadidi and Amir Keshmiri and Hujun Yin and Yasser Mahmoudi},
journal= {arXiv preprint arXiv:2312.13005},
year = {2024}
}