基于神经网络的非线性涡黏模型的物理解释
流体动力学
2023-07-19 v1 计算物理
摘要
基于神经网络的湍流建模因融入高保真数据而在改进湍流预测方面取得显著成功。然而，所学模型的可解释性常未被充分分析，这一直是基于神经网络的湍流建模的主要批评之一。因此，对训练模型提供物理解释的需求日益增长，这对指导可解释与统一湍流模型的发展具有重要意义。本工作旨在基于以张量基神经网络表示的所学模型的行为，解释湍流流动的预测改进。由于易于实现与训练高效，采用集合 Kalman 方法从稀疏观测数据学习模型。以 S809 翼型绕流与方管流动两个案例展示基于集合的湍流建模的物理解释。对于 S809 翼型绕流，我们的结果显示集合 Kalman 方法学到了最优线性涡黏模型，其通过减小上游边界层中的涡黏并促进流动分离提早发生，改进了气动升力的预测。对方管案例，该方法提供非线性涡黏模型，其通过捕捉雷诺正应力不平衡很好地预测了二次流。基于集合的方法的灵活性在通过调整湍流模型非线性来捕捉流动分离与二次流特征方面得到凸显。
引用
@article{arxiv.2307.09058,
title = {Physical interpretation of neural network-based nonlinear eddy viscosity models},
author = {Xin-Lei Zhang and Heng Xiao and Solkeun Jee and Guowei He},
journal= {arXiv preprint arXiv:2307.09058},
year = {2023}
}