基于经验关联迁移学习预测粗糙表面阻力
流体动力学
2021-12-24 v3
摘要
神经网络近期的发展显示出估算不规则粗糙表面阻力的潜力。然而，获取大规模高保真数据集以训练神经网络的困难阻碍了它们在实际应用中的使用。在本研究中，我们提出一种迁移学习框架，即使在直接数值模拟数据量有限的情况下，也能对不规则粗糙表面的阻力进行建模。我们表明，文献中报道的经验关联的迁移学习可显著提升神经网络用于阻力预测的性能。这是因为经验关联包含了高保真物理中阻力依赖关系的“近似知识”。该“近似知识”使神经网络能更高效地学习已知影响阻力的表面统计量。所开发的框架可应用于难以获取大规模数据集但已有经验关联报道的场景。
引用
@article{arxiv.2106.05995,
title = {Predicting drag on rough surfaces by transfer learning of empirical correlations},
author = {Sangseung Lee and Jiasheng Yang and Pourya Forooghi and Alexander Stroh and Shervin Bagheri},
journal= {arXiv preprint arXiv:2106.05995},
year = {2021}
}