用于鲁棒长时程不可稳定流动预测的U-Net LSTM与递增时间步进
流体动力学
2025-12-01 v1
摘要
当涉及长时程和多尺度湍流时，瞬态计算流体动力学(CFD)仍然昂贵。数据驱动的替代方法提供了缓解，但许多方法在多次步进后会退化或偏离物理行为。本工作提出了一条混合路径：一种递增时间步进U-Net LSTM模型，通过预测场的更新来预测不可稳定动力学。U-Net编码器解码器提取多尺度空间结构，LSTM层承担时间依赖性，该网络在物理场的每一步增量上进行训练，与经典时间推进一致，从而减少累积误差。该模型设计为嵌入基于投影方法(如SIMPLE、PISO等)的求解器中，作为提供更精细初始预测的压力-速度耦合的初始化器，或作为 refinements provisional fields的纠正模块。在代表性测试案例中，该方法改进了长期稳定性(累积误差减少54.53%至84.21%)，并更可靠地保留工程度量、积分量和平均量。这些特性使其成为加速无稳定模拟而不损失定量保真度的混合CFD-ML管道的可行组件。
引用
@article{arxiv.2511.22730,
title = {U Net LSTM with incremental time-stepping for robust long-horizon unsteady flow prediction},
author = {Blaise Madiega and Mathieu Olivier},
journal= {arXiv preprint arXiv:2511.22730},
year = {2025}
}
备注
Preprint not peer-reviewed, 27 pages