关于机器学习增强的雷诺平均与大涡模拟湍流模型的思考与展望
流体动力学
2021-05-19 v3
摘要
本文对近期利用机器学习（ML）增强湍流流动的雷诺平均纳维-斯托克斯（RANS）与大涡模拟（LES）模型的发展进行了综述与展望。在 RANS 与 LES 建模背景下，讨论了将监督学习用于表征未封闭项、模型偏差以及亚滤波尺度的不同方法。特别强调了训练过程对 ML 增强与底层物理模型一致性的影响。详细介绍了促进模型一致性训练的技术，以及避免需要直接数值模拟数据完整流场的方法。随后讨论了在特征空间选择上的物理驱动与数学考量，以及对 ML 模型施加约束的问题。着眼于开发可泛化的 ML 增强 RANS 与 LES 模型，讨论了尚存的挑战并给出了展望。尽管 ML 增强湍流建模的前景明确，且在孤立场景中已展现出成功，本文的一个普遍共识是：真正可泛化的模型需要模型一致性训练，并仔细刻画底层假设，施加物理与数学驱动的先验与约束，以应对与关注预测相关的数据不可避免的匮乏。因此，机器学习应被视为湍流建模者工具箱中的一种工具。这一建模工作需多学科进展，故本文的目标读者为流体力学界，以及计算科学与机器学习界。
引用
@article{arxiv.2009.10675,
title = {Perspectives on Machine Learning-augmented Reynolds-averaged and Large Eddy Simulation Models of Turbulence},
author = {Karthik Duraisamy},
journal= {arXiv preprint arXiv:2009.10675},
year = {2021}
}