用于亚网格尺度标量通量建模的神经网络中的物理不变性
流体动力学
2021-03-03 v4 机器学习
摘要
在本文中，我们提出一种新策略，利用物理信息神经网络(NNs)对三维湍流不可压缩流中的亚网格尺度标量通量进行建模。当从直接数值模拟(DNS)数据训练时，最先进的神经网络（如卷积神经网络）可能无法很好地保持已知的物理先验，这反过来可能使其在实际案例研究中的应用受到质疑。为解决此问题，我们基于由物理定律导出的经典变换不变性和对称性，在模型中引入硬约束和软约束。基于模拟的实验表明，所提出的变换不变神经网络模型优于纯数据驱动模型以及参数化的最先进亚网格尺度模型。所考虑的不变性在先验评估中被视为物理度量上的正则化器，并将预测的亚网格尺度项的分布尾部约束为更接近 DNS。当在大涡模拟中作为代理使用时，它们还提高了模型的稳定性和性能。此外，变换不变神经网络被证明能泛化到训练阶段未见的流态。
引用
@article{arxiv.2010.04663,
title = {Physical invariance in neural networks for subgrid-scale scalar flux modeling},
author = {Hugo Frezat and Guillaume Balarac and Julien Le Sommer and Ronan Fablet and Redouane Lguensat},
journal= {arXiv preprint arXiv:2010.04663},
year = {2021}
}
备注
32 pages, 17 figures, accepted for publication in Physical Review Fluids