基于物理引导的机器学习用于湍流模型的不确定性量化
机器学习
2025-11-11 v1 流体动力学
摘要
预测湍流流动的演化是跨越科学与工程领域的核心任务。大多数研究依赖于带湍流模型的仿真，该类模型的经验化简引入了认识论不确定性。特征空间扰动法（EPM）是一种广泛使用的基于物理的方法，用于量化模型形式不确定性，但其纯物理性质可能导致不确定性界限的过度放大。我们提出一种基于卷积神经网络（CNN）的调制方法，用于改进校准，同时保持物理一致性。在标准案例中，混合ML-EPM框架相较于基准EPM单独使用，能够显著缩紧不确定性估计，提高校准质量。
引用
@article{arxiv.2511.05633,
title = {Physics-Guided Machine Learning for Uncertainty Quantification in Turbulence Models},
author = {Minghan Chu and Weicheng Qian},
journal= {arXiv preprint arXiv:2511.05633},
year = {2025}
}
备注
Accepted to NeurIPS 2025 Workshop on Machine Learning and the Physical Sciences (ML4PS), non-archival