基于稳定封装器的参数选择方法用于湍流高效 ANN 数据驱动建模

为建模复杂湍流与传热现象，本研究旨在分析并开发一种基于人工神经网络（ANN）与封装器方法的降维建模方法。该方法相较于基于相关性的滤波器等方法，优势在于即便在参数间存在非线性的情况下也能去除冗余或无关参数。其缺点是 ANN 训练的过拟合与随机性可能导致在多次选择试验中产生不一致的子集，尤其在较高物理维度下。本研究分析了若干现有基于 ANN 的封装器方法，并基于梯度子集选择指标开发了一种改进方法，以在每一步剔除时最小化全导数或方向一致性的损失。为检验参数约简性能与试验间一致性，我们将这些方法应用于一个人工子集选择问题、湍流泡状流中气泡尺寸的建模，以及管道流中空间变化湍流普朗特数的建模。研究发现，相较于其他基于 ANN 的封装器方法，最小化全导数损失的梯度子集选择改善了试验间一致性，同时成功去除了不必要的参数。对于降维的湍流普朗特数模型，梯度子集选择在验证案例中较其他方法提升了预测精度。此外，降维参数子集相较于其他子集在训练速度上略有提升。