锐利-泰拉湍流的记忆效应
流体动力学
2024-03-27 v1
摘要
本文考虑通过测量未知时刻的0维湍流量来推断锐利-泰拉混合区的初始条件。为此，我们通过直接数值模拟(DNS)生成了一套完整的数据集，聚焦于轻微密度对比的可混合流体。这些模拟中初始界面变形由环形谱 characterized by，由四个无量纲数参数化。为研究0维湍流量对初始界面扰动分布的敏感性，我们构建了一个基于物理信息神经网络(PINN)的代理模型，用于模拟。这使我们能够计算湍流量的Sobol指数，从而分离初始参数对混合层生长影响。基于贝叶斯框架，我们使用马尔可夫链蒙特卡洛(MCMC)方法确定给定各种状态变量的初始条件后验分布。本研究揭示了初始条件在湍流过渡过程中如何被逐渐遗忘，以及惯性还是扩散轨迹。此外，识别出哪些湍流量更能预测锐利-泰拉混合区的动力学，因而更有效地保留了流动的记忆。通过推断初始条件并对其最大后验(MAP)估计进行前向传播，我们提出了一种模型锐利-泰拉向湍流过渡的策略。
引用
@article{arxiv.2403.17832,
title = {The memory of Rayleigh-Taylor turbulence},
author = {S. Thévenin and B. -J. Gréa and G. Kluth and B. Nadiga},
journal= {arXiv preprint arXiv:2403.17832},
year = {2024}
}