基于数据驱动技术的湍流闭合建模:可泛化深度神经网络研究
流体动力学
2021-12-15 v3 计算物理
数据分析、统计与概率
摘要
基于机器学习(ML)的湍流闭合对未见实际流动的准确预测泛化能力仍是一项重要挑战。在雷诺平均 Navier-Stokes(RANS)层面,基于 NN 的湍流闭合建模因两个重要原因而困难:源于流动依赖非线性与分岔的本构关系固有复杂性;以及难以获取覆盖整个感兴趣参数空间的高保真数据。在此背景下,本工作的目标是研究中型标准全连接 NN 的逼近能力。我们力求系统性地考察:(i) 解流形固有复杂性;(ii) 采样过程(插值 vs. 外推);(iii) 优化过程的影响。为克服数据获取难题,采用三种不同复杂度的代理物理湍流替代模型(虽远简于湍流物理)来生成参数到解的映射。即便对该简单代理物理系统,也表明前馈 NN 需要比原始代理物理模型更多的自由度才能准确逼近真实模型,即便用全参数空间(插值)数据训练。此外,若深度全连接 NN 仅用部分参数空间(外推)数据训练,其逼近能力显著下降,且不易找到最优架构。总体而言,这些发现为 ML 湍流闭合在实际应用中的效用提供了现实视角,并指明了改进方向。
引用
@article{arxiv.2102.01487,
title = {Turbulence closure modeling with data-driven techniques: Investigation of generalizable deep neural networks},
author = {Salar Taghizadeh and Freddie Witherden and Yassin Hassan and Sharath Girimaji},
journal= {arXiv preprint arXiv:2102.01487},
year = {2021}
}