×
罗密特·莫利克;奥马尔·桑;杰米·雅各布。

使用机器学习分类器的时空动态隐式大涡模拟。 （英语） Zbl 1489.76030号

物理D 406，文章ID 132409，第12页（2020）.
摘要：在本文中，我们利用机器学习来动态确定计算网格上的一个点是否需要隐式数值耗散来进行大涡模拟（LES）。通过以下方式学习决策过程先验的对从直接数值模拟（DNS）数据导出的数量进行培训。特别是，我们计算通过DNS量的粗粒度获得的涡流粘度，并利用其对高斯分布的投影来分类可能需要耗散的区域。如果我们的学习确定闭包是必要的，则使用迎风格式计算非线性雅可比矩阵。相反，如果确定闭包是不必要的，则使用对称的二阶精确能量和保能荒川格式。这导致了一个封闭框架，该框架排除了湍流小规模贡献的任何模型形式的规范，但从显式封闭驱动假设中部署了适当的数值耗散。该方法用于Kraichnan湍流试验，并通过各种统计量（例如角平均动能谱和涡度结构函数）进行评估。因此，我们的框架在使用显式LES思想进行闭合和基于数值耗散的湍流建模之间建立了联系，从而提高了后部仿真。

引用于三文件

MSC公司：

76层65 湍流的直接数值模拟和大涡模拟
76M99型 流体力学基本方法
68T05型 人工智能中的学习和自适应系统

关键词：

大涡模拟;机器学习;决策过程;荒川计划;Kraichnan湍流试验;能谱

软件：

PRMLT公司;亚当
PDF格式BibTeX公司 XML格式引用
\textit{R.Maulik}等人，Physica D 406，文章ID 132409，12 p.（2020；Zbl 1489.76030）
全文： 内政部

参考文献：

[1] Sagaut，P.，《不可压缩流动的大涡模拟：简介》（2006年），柏林-海德堡施普林格出版社·Zbl 1091.76001号
[2] Berselli，L.C。；伊利埃斯库，T。；Layton，W.J.，《湍流大涡模拟数学》（2006），Springer-Verlag:Springer-Verlag纽约·兹比尔1089.76002
[3] 希克尔，S。；埃格勒，C.P。；Larsson，J.，可压缩流动和激波-湍流相互作用隐式大涡模拟的亚网格尺度建模，物理。流体，26，10，106101（2014）
[4] Yu，C。；肖，Z。；Li，X.，基于亚脊尺度耗散的大涡模拟动态优化方法，Phys。流体，28，1，015113（2016）
[5] Zhou，Z。；王，S。；Jin，G.，通过运动模拟与近似反褶积方法耦合的各向同性湍流大涡模拟中相对弥散的结构亚脊模型，Phys。流体，30，10，105110（2018）
[6] Kolmogorov，A.N.，雷诺数非常大的不可压缩粘性流体中湍流的局部结构，（Dokl.Akad.Nauk SSSR，Vol.30（1941），JSTOR），301-305
[7] Frisch，U.，Turbulence（1995），剑桥大学出版社：剑桥大学出版社，英国剑桥·Zbl 0727.76064号
[8] Smagorinsky，J.，《原始方程的一般循环实验：I.基础实验》，Mon。《天气评论》，91，3，99-164（1963）
[9] Leith，C.E.，二维湍流的扩散近似，Phys。流体，11，3，671-672（1968）
[10] 培生，B。；Fox-Kemper，B.，全球海洋模型中的对数正态湍流耗散，物理。修订版Lett。，第120、9条，第094501页（2018年）
[11] 培生，B。；Fox-Kemper，B。；巴赫曼，S。；Bryan，F.，全球富涡模式中尺度意识亚网格中尺度涡模式的评估，海洋模式。，115, 42-58 (2017)
[12] 巴迪纳，J。；Ferziger，J.H。；Reynolds，W.C.，《大涡模拟的改进亚脊尺度模型》（1980），AIAA Pap。1980-1357
[13] 斯托尔茨，S。；Adams，N.A.，《大涡模拟的近似反褶积程序》，Phys。流体，11，7，1699-1701（1999）·Zbl 1147.76506号
[14] 莱顿，W。；Lewandowski，R.，《用于大涡模拟的简单而稳定的尺度相似性模型：能量平衡和弱解的存在性》，应用。数学。莱特。，16, 8, 1205-1209 (2003) ·Zbl 1039.76027号
[15] 马修，J。；Lechner，R。；Foysi，H。；塞斯特亨，J。；Friedrich，R.，可压缩流动大涡模拟的显式滤波方法，物理。流体，15，8，2279-2289（2003）·Zbl 1186.76355号
[16] Grinstein，F.F。；Margolin，L.G。；Rider，W.J.，《隐式大涡模拟：计算湍流流体动力学》（2007），剑桥大学出版社：英国剑桥大学出版社·Zbl 1135.76001号
[17] El Rafei，M。；Könözsy，L。；Rana，Z.，《经典和隐式大涡模拟中数值耗散的研究》，航空航天，4，4，59（2017）
[18] Margolin，L.G.，《人工粘性的现实》，《冲击波》，1-9（2018）
[19] Thornber，B。；Mosedale，A。；Drikakis，D.，关于均匀衰减湍流的隐式大涡模拟，J.Compute。物理。，226, 2, 1902-1929 (2007) ·Zbl 1219.76027号
[20] DeBonis，J.，《使用高分辨率显式有限差分方法求解泰勒-格林涡旋问题》（2013），AIAA Pap。2013-0382
[21] 肖，D。；方，F。；疼痛，C。；Hu，G.，基于RBF插值的Navier-Stokes方程的非侵入降阶建模，Int.J.Numer。《液体方法》，79，11，580-595（2015）·Zbl 1455.76099号
[22] 马，M。；卢，J。；Tryggvason，G.，《使用统计学习关闭简单气泡系统的双流体多相流方程》，Phys。流体，27，9，092101（2015）
[23] 北卡罗来纳州戈蒂埃。；艾德，J.-L。；Duriez，T。；诺亚克，B。；Segond，M。；Abel，M.，使用机器学习的闭环分离控制，J.Fluid Mech。，770442-457（2015年）
[24] Brunton，S.L。；Proctor，J.L。；Kutz，J.N.，通过非线性动力系统的稀疏识别从数据中发现控制方程，Proc。国家。阿卡德。科学。美国，113，15，3932-3937（2016）·Zbl 1355.94013号
[25] Schaeffer，H.，通过数据发现和稀疏优化学习偏微分方程，Proc。R.Soc.伦敦。序列号。数学。物理学。工程科学。，473, 2197, 20160446 (2017) ·Zbl 1404.35397号
[26] Raissi先生。；佩迪卡里斯，P。；Karniadakis，G.E.，使用高斯过程的线性微分方程机器学习，J.Compute。物理。，348, 683-693 (2017) ·Zbl 1380.68339号
[27] Mohan，A.T。；Gaitonde，D.V.，《使用LSTM神经网络进行湍流控制降阶建模的基于深度学习的方法》（2018），arXiv预印本arXiv:1804.09269
[28] Raissi先生。；Karniadakis，G.E.，《隐藏物理模型：非线性偏微分方程的机器学习》，J.Compute。物理。，357, 125-141 (2018) ·Zbl 1381.68248号
[29] Rudy，S.H。；库茨，J.N。；Brunton，S.L.，《动力学的深度学习和带时间步长约束的信号噪声分解》，《计算物理杂志》，396483-506（2019）·Zbl 1452.68170号
[30] 圣马力诺。；Maulik，R.，非线性模型降阶的神经网络闭包，高级计算。数学。，1-34 (2018)
[31] Wan，Z.Y。；弗拉查斯，P。；库穆塔科斯，P。；Sapsis，T.，复杂动力系统中极端事件的数据辅助降阶建模，PloS ONE，13，5，Article e0197704 pp.（2018）
[32] Kim，B。；阿泽夫多，V.C。；北卡罗来纳州瑟雷。；Kim，T。；毛重，M。；Solenthaler，B.，《深层流体：参数化流体模拟的生成网络》，计算机图形论坛，59-70（2019），威利在线图书馆
[33] Muravleva，E。；Oseledets，I。；Koroteev，D.，《机器学习在粘塑性流动建模中的应用》，物理学。流体，30，10，103102（2018）
[34] 金，X。；Cheng，P。；陈，W.-L。；Li，H.，基于圆柱压力的融合卷积神经网络对不同雷诺数下圆柱绕流速度场的预测模型，Phys。流体，30，4，047105（2018）
[35] Lusch，B。；库茨，J.N。；Brunton，S.L.，《非线性动力学普遍线性嵌入的深度学习》，国家通讯社。，9, 1, 4950 (2018)
[36] 莫汉，A。；丹尼尔博士。；Chertkov，M。；Livescu，D.，压缩卷积LSTM:一种高效的深度学习框架，用于建模高保真3D湍流（2019），arXiv预印本arXiv:1903.00033
[37] Maulik，R。；莫汉，A。；Lusch，B。；Madiredy，S。；巴拉普拉卡什，P。；Livescu，D.，用于降阶模型闭合的潜在空间动力学的时间序列学习，《物理D：非线性现象》，405132368（2020）·Zbl 07477434号
[38] Weatheritt，J。；Sandberg，R.，应用于RANS应力应变关系代数修改的新型进化算法，J.Compute。物理。，325, 22-37 (2016) ·Zbl 1375.76141号
[39] Weatheritt，J。；Sandberg，R.，《使用新型进化算法开发代数应力模型》，《国际热流学杂志》，68，298-318（2017）
[40] Weatheritt，J。；Sandberg，R.D.，《来自符号回归的混合雷诺平均/大涡模拟方法：公式和应用》，AIAA J.，3734-3746（2017）
[41] 王建新。；Wu，J.-L。；Xiao，H.，基于DNS数据重建雷诺应力模型差异的基于物理的机器学习方法，Physis。流体版本，2，3，034603（2017）
[42] 王建新。；吴杰。；Ling，J。；艾卡里诺，G。；Xiao，H.，预测湍流建模的综合物理信息机器学习框架（2017），arXiv预印本arXiv:1701.07102
[43] Wu，J.-L。；Xiao，H。；Paterson，E.，《利用物理信息机器学习对湍流模型进行数据驱动增强》（2018），arXiv预印本arXiv:1801.02762
[44] 辛格，A.P。；Duraisamy，K.，《使用场反演量化湍流闭合中的函数误差》，Phys。流体，28，4，045110（2016）
[45] 辛格，A.P。；Medida，S。；Duraisamy，K.，《翼型湍流分离流动的机器学习增强预测模型》，美国航空航天协会杂志，2215-2227（2017）
[46] Tracey，医学博士。；Duraisamy，K。；Alonso，J.J.，《协助湍流模型开发的机器学习策略》（2015），AIAA Pap。2015-1287
[47] Ling，J。；Templeton，J.，《预测高雷诺平均Navier-Stokes不确定性区域的机器学习算法评估》，Phys。流体，27，8，085103（2015）
[48] Ling，J。；Kurzawski，A。；Templeton，J.，使用具有嵌入不变性的深度神经网络的雷诺平均湍流建模，J.流体力学。，807，155-166（2016）·Zbl 1383.76175号
[49] Maulik，R。；Sharma，H。；帕特尔，S。；Lusch，B。；Jennings，E.，《使用势流和机器学习加速RANS湍流建模》（2019年），arXiv预印本arXiv:1910.10878
[50] Duraisamy，K。；艾卡里诺，G。；Xiao，H.，《数据时代的湍流建模》，年。流体力学版次。，51, 357-377 (2019) ·Zbl 1412.76040号
[51] 霍尼克，K。；Stinchcombe，M。；White，H.，多层前馈网络是通用逼近器，神经网络。，2, 5, 359-366 (1989) ·Zbl 1383.92015年
[52] Sarghini，F。；De Felice，G。；Santini，S.，《大涡模拟中基于神经网络的子网格尺度建模》，计算。流体，32，1，97-108（2003）·Zbl 1009.76512号
[53] King，R.N。；哈姆林顿，体育。；Dahm，W.J.，湍流模拟的自主闭合，物理。版本E，93，3，031301（2016）
[54] Maulik，R。；San，O.，湍流盲反褶积的神经网络方法，J.流体力学。，831, 151-181 (2017) ·Zbl 1421.76134号
[55] Fukami，K。；Fukagata，K。；Taira，K.，用机器学习超分辨率重建湍流，流体力学杂志，870，106-120（2019）
[56] Maulik，R。；圣马力诺。；拉希德，A。；Vedula，P.，《用于kraichnan湍流大涡模拟的数据驱动反褶积》，Phys。流体，30，12，125109（2018）
[57] 加马哈拉，M。；Hattori，Y.，《利用人工神经网络搜索湍流模型》，Phys。流体版本，2，5，054604（2017）
[58] Vollant，A。；Balarac，G。；Corre，C.，基于最优估计理论和机器学习程序的子网格标量通量建模，J.Turbul。，18, 9, 854-878 (2017)
[59] 贝克，A。；弗拉德·D。；Munz，C.-D.，数据驱动LES闭合模型的深度神经网络，J.Compute。物理。，398, 108910 (2019)
[60] Maulik，R。；圣马力诺。；拉希德，A。；Vedula，P.，使用神经网络的二维湍流子网格建模，J.流体力学。，858，122-144（2019）·兹比尔1415.76405
[61] 王，Z。；罗，K。；李，D。；Tan，J。；Fan，J.，《大涡模拟中亚脊尺度应力的数据驱动闭合研究》，Phys。流体，30，12，125101（2018）
[62] 金·R。；欧·亨尼希。；莫汉，A。；Chertkov，M.，《从深层到基于物理的湍流学习：诊断》（2018），arXiv预印本arXiv:1810.07785
[63] Hennigh，O.，Lat-net：使用深度神经网络进行压缩晶格Boltzmann流动模拟（2017），arXiv预印本arXiv:1705.09036
[64] Langford，J.A。；Moser，R.D.，各向同性湍流的最优LES公式，J.流体力学。，398, 321-346 (1999) ·Zbl 0983.76043号
[65] 莫瑟，R.D。；新几内亚马来亚。；Chang，H。；Zandonade，P.S。；维杜拉，P。；Bhattacharya，A。；Haselbacher，A.，《基于理论的优化大循环模拟》，Phys。流体，21，10，105104（2009）·Zbl 1183.76363号
[66] LaBryer，A。；阿塔尔，P。；Vedula，P.，基于时空统计信息的伯格湍流大涡模拟框架，Phys。流体，27，3，035116（2015）
[67] 荒川，A。；Lamb，V.R.，《浅水方程的潜在拟能和能量守恒方案》，Mon。《天气评论》，109，1，18-36（1981）
[68] Maulik，R。；圣马力诺。；雅各布·J·D。；Crick，C.，通过深度学习进行子网格模型分类和融合，J.流体力学。，870, 784-812 (2019) ·Zbl 1419.76370号
[69] Kraichnan，R.H.，二维湍流中的惯性范围，物理学。流体，10，7，1417-1423（1967）
[70] 哥特利布，S。；Shu，C.-W.，总变差递减Runge-Kutta格式，数学。计算。阿默尔。数学。Soc.，67，221，73-85（1998）·Zbl 0897.65058号
[71] Bishop，C.M.，《模式识别和机器学习（信息科学和统计）》（2006），斯普林格·弗拉格：柏林斯普林格尔·弗拉格，海德堡·Zbl 1107.68072号
[72] Kingma，D.P。；Ba，J.，ADAM：随机优化方法（2014），arXiv预印本arXiv:1412.6980
[73] Maulik，R。；San，O.，二维湍流次脊尺度参数化的稳定的尺度软件动态建模框架，计算。流体，158，11-38（2017）·Zbl 1390.76194号
[74] 格罗斯曼，S。；Mertens，P.，二维湍流中的结构函数，Z.Phys。B、 88、1、105-116（1992）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。