基于物理无关与物理融合机器学习的薄膜流动：小数据下的建模与预测
流体动力学
2023-11-30 v1 数值分析
数值分析
摘要
多相流数值模拟在众多工程应用中至关重要，但常受限于 Navier-Stokes（NS）方程计算量庞大的求解。在此，我们提出一种数据驱动工作流，将少量详细 NS 模拟数据转化为针对原型垂直落液膜的降阶模型。我们开发了膜厚的物理无关模型，其与 NS 解的吻合度远优于渐近 Kuramoto-Sivashinsky（KS）方程。我们还开发了两种物理融合模型变体，提供针对少量高保真 NS 数据对低保真模型（即 KS）的一种校准形式。最后，我们开发了针对缺失数据的预测模型，可基于部分信息预测振幅、或全场速度、甚至流动参数。这通过所谓的“Gappy Diffusion Maps”实现，我们证明其优于其线性对应方法 Gappy POD。
引用
@article{arxiv.2301.12508,
title = {Physics-agnostic and Physics-infused machine learning for thin films flows: modeling, and predictions from small data},
author = {Cristina P. Martin-Linares and Yorgos M. Psarellis and Georgios Karapetsas and Eleni D. Koronaki and Ioannis G. Kevrekidis},
journal= {arXiv preprint arXiv:2301.12508},
year = {2023}
}