湍流建模中输入特征制备方法与机器学习模型的综述与考察
流体动力学
2020-01-16 v1 计算物理
摘要
模型对未见流动的泛化外推是数据驱动湍流建模面临的最大挑战之一，尤其是对于具有涉及众多流动特征的高维输入的模型。在本研究中，我们综述了数据驱动的雷诺平均纳维-斯托克斯（RANS）湍流建模与模型外推的既往工作，主要关注该领域迁移学习中使用的流行方法。考察了若干用于度量训练流与测试流之间差异的潜在度量指标。比较了不同的机器学习（ML）模型，以理解模型的容量或复杂度如何影响其在数据集偏移下的行为。研究了对于协变量偏移具有鲁棒性的数据预处理方案，如归一化、变换和重要性重加权似然，以理解是否可能找到数据的投影，在保持可预测性的同时削弱训练与测试分布间的差异。提出了三个度量指标来评估训练/测试数据集之间的差异。为削弱差异，采用了分布匹配框架来对齐分布的统计量。这些修正也使得回归任务在预测目标变量中代表性不足的极值时具有更好的精度。这些发现有助于未来的基于 ML 的湍流模型评估其模型可预测性，并为系统性地生成多样化的高保真模拟数据库提供指导。
引用
@article{arxiv.2001.05485,
title = {Review and Examination of Input Feature Preparation Methods and Machine Learning Models for Turbulence Modeling},
author = {Shirui Luo and Jiahuan Cui and Madhu Vellakal and Jian Liu and Enyi Jiang and Seid Koric and Volodymyr Kindratenko},
journal= {arXiv preprint arXiv:2001.05485},
year = {2020}
}