湍流中的颗粒团聚：利用深度学习预测空间与统计性质
地球与行星天体物理
2024-01-09 v2 机器学习
流体动力学
摘要
我们研究了深度学习在模拟与湍流流体气动耦合的颗粒团聚方面的效用。利用 Athena++ 流体动力学代码中的拉格朗日颗粒模块，我们模拟了各向同性受迫流体动力学湍流周期域内 Epstein 阻力区中颗粒的动力学。该设置是与早期行星形成中微米至毫米级尘埃颗粒碰撞生长相关的理想化模型。模拟数据用于训练 U-Net 深度学习模型，以给定对应流体场为输入，预测颗粒密度与速度场的网格化三维表示。训练后的模型在高度非线性区域定性地捕捉到团聚颗粒的丝状结构。我们通过计算密度场指标（径向分布函数）与速度场指标（颗粒间相对速度与相对径向速度）来评估模型保真度。尽管仅以空间场训练，该模型预测这些统计量的误差通常 <10%。我们的结果表明，在适当扩展训练数据的情况下，深度学习可补充直接数值模拟以预测湍流中的颗粒团聚。
引用
@article{arxiv.2210.02339,
title = {Particle clustering in turbulence: Prediction of spatial and statistical properties with deep learning},
author = {Yan-Mong Chan and Natascha Manger and Yin Li and Chao-Chin Yang and Zhaohuan Zhu and Philip J. Armitage and Shirley Ho},
journal= {arXiv preprint arXiv:2210.02339},
year = {2024}
}
备注
20 pages, 13 figures; Accepted to ApJ on 2023 October 30