无监督机器学习教会流体动力学研究者以15维思考
流体动力学
2019-07-29 v1 计算物理
摘要
本文使用自编码器压缩并重建三维分层湍流数据，以便通过研究重建中的误差来更好地理解流体动力学。原始单一数据集在约 个网格点上解析，并使用了三维空间中的15个流体变量，总共约 个三维输入量。目标是理解哪些输入变量包含了关于稳定分层湍流（SST）中局部湍流模态的最相关信息。这是通过观察出现在一个输入变量中但随后“渗透”到多个输出变量中的流动特征来实现的。结果表明，该渗透现象对于自编码器中层数具有鲁棒性。在这一概念验证中，重建误差包含了关于大多数重建应变率张量分量和密度梯度的垂直速度空间变化的信息，这表明垂直速度是SST中相关湍流特征的重要标记。该结果与流体动力学研究者对SST已有的认识一致，因此提出了一种基于对自编码算法中重建误差进行更详细分析来理解湍流的方法。
引用
@article{arxiv.1907.10035,
title = {Unsupervised Machine Learning to Teach Fluid Dynamicists to Think in 15 Dimensions},
author = {S. M. de Bruyn Kops and D. J. Saunders and E. A. Rietman and G. D. Portwood},
journal= {arXiv preprint arXiv:1907.10035},
year = {2019}
}