基于简化次网格尺度项的数据驱动湍流闭合模型用于捕捉长期统计特性

我们引入了一个简单、随机的、后验的湍流闭合模型，基于简化的次网格尺度项。该次网格尺度项专为捕捉一小组空间积分型感兴趣量 (QoIs) 的统计特性而设计，每个 QoI 仅对应一个未解析的标量时间序列。与其他数据驱动替代模型不同，本方法将“学习问题”的维度从演化场降低到每个 QoI 一个标量时间序列。我们采用后验 nudging 方法在时间上寻找标量序列的分布。该方法的优势在于考虑了求解器与替代模型之间的相互作用。通过对找到的分布进行随机抽样获得随机替代模型参数化。与基于 a priori 训练的卷积神经网络相比，新方法计算代价更低，能够给出类似的长期统计特性。