基于卷积神经网络的二维湍流稳定后验大涡模拟：逆向散射分析与通过迁移学习推广至更高雷诺数
流体动力学
2022-03-23 v1 大气与海洋物理
计算物理
摘要
利用机器学习（ML）开发数据驱动的亚格子尺度（SGS）模型用于大涡模拟（LES）的兴趣日益增长。在一些先验（离线）测试中，近期若干研究发现，基于高保真数据（如来自直接数值模拟，DNS）训练的数据驱动 ML 型 SGS 模型优于基准物理模型，并能准确捕捉前向（耗散）与逆向的跨尺度传输。尽管前景可期，后验（在线）测试中的不稳定性以及向不同流动（如更高雷诺数 Re）泛化能力的缺失，仍是拓宽此类数据驱动 SGS 模型应用的主要障碍。例如，前述许多研究发现了不稳定性，常需借助临时补救措施来稳定 LES，却牺牲了精度。本文以二维衰减湍流为试验平台，表明深度全卷积神经网络（CNNs）能在先验测试中准确预测 SGS 强迫项与跨尺度传输，且若以足量样本训练，可得到稳定且准确的后验 LES-CNN。进一步分析将这些不稳定性归因于：训练集较小时，CNN 捕捉逆向散射的精度不成比例地偏低。我们还表明，迁移学习（用来自新流动的少量数据如 1% 重新训练 CNN）能够实现针对 Re 高 16 倍流动（以及必要时更高网格分辨率）的准确且稳定的后验 LES-CNN。这些结果显示了带迁移学习的 CNN 在提供稳定、准确且可泛化的实用 LES 方面的前景。
引用
@article{arxiv.2102.11400,
title = {Stable a posteriori LES of 2D turbulence using convolutional neural networks: Backscattering analysis and generalization to higher Re via transfer learning},
author = {Yifei Guan and Ashesh Chattopadhyay and Adam Subel and Pedram Hassanzadeh},
journal= {arXiv preprint arXiv:2102.11400},
year = {2022}
}
备注
30 pages, 12 figures