关于机器学习辅助各向异性映射在预测性湍流建模中的泛化能力

近来提出了若干用于增强湍流闭合模型的机器学习框架。然而，增强型湍流模型的泛化能力仍是一个开放问题。我们通过系统性地改变若干模型的训练集和测试集来研究这一问题。使用最优三项张量基展开来开发一种与模型无关的数据驱动湍流闭合近似。随后，对随机森林、神经网络和极端梯度提升（XGBoost）模型进行了超参数优化。由于其低调参成本和良好性能，我们推荐 XGBoost 用于数据驱动湍流闭合建模。我们还发现，机器学习模型对训练数据集中所见流动的新的参数化变体泛化良好，但缺乏对新型流动类型的泛化能力。这一泛化能力差距表明，机器学习方法最适用于为给定流动类型开发专用模型，这是工业应用中常遇到的问题。