气泡流多相计算流体动力学模拟的不确定性量化：一种由高分辨率实验支持的基于机器学习的贝叶斯方法
流体动力学
2020-10-22 v1
摘要
在本文中，我们开发了一种基于机器学习的贝叶斯方法，以反演量化并减小基于两流体模型的多相计算流体动力学（MCFD）用于气泡流模拟的不确定性。所提方法由高分辨率两相流测量技术支撑，包括双传感器电导探针、高速成像与粒子图像测速。获得了关键物理量（QoIs）的局部分布，包括空隙率与相速度，以支撑模块化贝叶斯推断。在此过程中， closure 关系的认知不确定性被反演量化，来自系统随机涨落的偶然不确定性基于实验不确定性分析予以评估。随后将组合不确定性通过 MCFD 求解器传播以获得 QoIs 的不确定性，并基于此构建概率盒用于验证。所提方法依赖三种机器学习方法：用于代理建模的前馈神经网络与主成分分析，以及用于模型形式不确定性建模的高斯过程。整个过程在开源深度学习库 PyTorch 框架内借助图形处理单元（GPU）加速实现，从而确保了计算效率。结果表明，在高分辨率数据的支撑下，MCFD 模拟的不确定性可被显著减小。
引用
@article{arxiv.2010.11048,
title = {Uncertainty quantification for Multiphase-CFD simulations of bubbly flows: a machine learning-based Bayesian approach supported by high-resolution experiments},
author = {Yang Liu and Dewei Wang and Xiaodong Sun and Yang Liu and Nam Dinh and Rui Hu},
journal= {arXiv preprint arXiv:2010.11048},
year = {2020}
}