使用深度神经网络预测湍流剪切流
流体动力学
2019-05-10 v1 计算物理
摘要
在本工作中，我们评估神经网络预测时间演化湍流的能力。具体而言，我们使用 Moehlis 等人 [New J. Phys. 6, 56 (2004)] 的九方程剪切流模型为两类神经网络生成训练数据：多层感知机（MLP）与长短期记忆（LSTM）网络。我们通过改变层数、每层单元数、输入维度、权重初始化与激活函数测试了多种神经网络架构，以获得最佳的流预测配置。由于其利用数据序列特性的能力，LSTM 网络优于 MLP。LSTM 对湍流统计量（均值与波动量的相对误差分别为 0.45% 和 2.49%）以及系统动态行为（由庞加莱映射与李雅普诺夫指数刻画）给出了极佳预测。这是一项探索性研究，我们考虑了近壁湍流的低阶表示。基于当前结果，所提机器学习框架可支撑未来应用，旨在为更复杂壁面有界湍流（包括槽道流与发展边界层）的大涡模拟开发准确高效的数据驱动亚网格尺度模型。
引用
@article{arxiv.1905.03634,
title = {Predictions of turbulent shear flows using deep neural networks},
author = {P. A. Srinivasan and L. Guastoni and H. Azizpour and P. Schlatter and R. Vinuesa},
journal= {arXiv preprint arXiv:1905.03634},
year = {2019}
}