通过深度学习预测湍流通道的时间动力学
流体动力学
2022-03-03 v1 机器学习
摘要
循环神经网络 (RNN) 在与湍流相关的许多应用中已展现出成功，包括流动控制、优化、湍流特征复现以及湍流预测与建模。本研究旨在评估这些网络复现最小湍流通道流动时间演化的能力。我们首先基于对从流动中采样的时间序列进行傅里叶域模态分解（我们称之为 FFT-POD），获得一个数据驱动模型。这种湍流流动的特殊情况使我们能够精确模拟近壁面处最相关的相干结构。训练长短期记忆 (LSTM) 网络和基于库普曼的框架 (KNF) 来预测最小通道流动模态的时间动力学。不同配置下的测试凸显了，鉴于所研究流动的复杂性，KNF 方法相较于 LSTM 的局限性。LSTM 的长期预测在统计角度上表现出极好的一致性，最佳模型相对于参考值的误差低于 2%。此外，通过使用李雅普诺夫指数分析混沌行为以及通过庞加莱映射分析动力学行为，强调了 LSTM 复现湍流时间动力学的能力。探索了基于识别不同湍流结构的替代降阶模型 (ROM)，它们继续显示出预测最小通道时间动力学的良好潜力。
引用
@article{arxiv.2203.00974,
title = {Predicting the temporal dynamics of turbulent channels through deep learning},
author = {Giuseppe Borrelli and Luca Guastoni and Hamidreza Eivazi and Philipp Schlatter and Ricardo Vinuesa},
journal= {arXiv preprint arXiv:2203.00974},
year = {2022}
}