仅用粒子数据训练particle-turbulence亚网格尺度闭合模型
流体动力学
2026-05-01 v1 计算物理
摘要
如果可获得足够的训练数据，神经网络在表示模拟中缺失的物理（如我们考虑的粒子湍流系统的亚网格尺度）方面具有吸引力。已知物理约束既能提高性能又能减少数据需求；我们将离散化控制方程中所表示的完整物理作为约束。二维湍流中的双向耦合粒子提供了一个足够复杂的系统来评估各种训练数据的有效性，所有训练数据都来自经过充分解析的模拟，故意降低以评估鲁棒性。令人惊讶的是，实际使用完整的时空数据反而会阻碍模型效果。相反，仅针对谱 spectra进行训练——即忽略相位信息——提供更好的闭合模型，这与非耗能离散化在模拟湍流中成功的已知事实有关。发现某些导致preferential particle concentration错误的缺失物理在粗网格上本质上是随机的，因而无法通过基本方法纠正；我们引入一种用于Langevin型闭合模型的学习表述以纠正此问题。最重要的是，仅为粒子动能训练——而无需从流场直接输入——也能产生有效的亚网格尺度应力模型。这在向粒子数据添加噪声、仅使用粒子子样本或仅使用粒子速度分量的情况下，同样有效。总之，这些结果表明了一种基于实验粒子数据推断亚网格尺度物理的路径。
引用
@article{arxiv.2604.27255,
title = {Training of particle-turbulence sub-grid-scale closures with just particle data},
author = {G. Saltar Rivera and L. Villafane and J. B. Freund},
journal= {arXiv preprint arXiv:2604.27255},
year = {2026}
}