Mikael L.A.Kaandorp。;Richard P.德怀特。 使用具有不变性的随机森林对雷诺应力张量进行数据驱动建模。 （英语） 兹比尔1519.76091 计算。流体 202，文章ID 104497，15 p.（2020）。 摘要：提出了一种新的机器学习算法，作为雷诺平均Navier-Stokes（RANS）模拟的数据驱动湍流建模工具。该机器学习算法称为张量基随机森林（TBRF），用于预测雷诺应力各向异性张量，同时利用张量基保证伽利略不变性。通过修改随机森林算法以接受这种张量基，创建了一个健壮、易于实现和易于训练的算法。该算法使用DNS/LES数据对几种流动情况进行训练，并用于预测新的、未知流动的雷诺应力各向异性张量。湍流各向异性的结果预测被用作自定义RANS解算器内的湍流模型。该解算器的稳定性是必要的，它是通过延拓方法和修正的（k）-方程实现的。结果与神经网络方法进行了比较J.凌等【流体力学杂志807，155-166（2016；Zbl 1383.76175号)]。结果表明，TBRF算法能够准确预测各种流动情况下的各向异性张量，可实现的预测接近于DNS/LES参考数据。方形管道流和后向台阶流的相应平均流量与DNS和实验数据吻合良好。总的来说，这些结果被视为改进湍流数据驱动模型的下一步。这创造了一个为特定类别的流生成自定义湍流闭合的机会，仅受LES/DNS数据可用性的限制。 引用于13文件 MSC公司： 76层65 湍流的直接数值模拟和大涡模拟 关键词：湍流模拟;机器学习;随机森林;雷诺各向异性张量;非线性涡流粘度闭合器 引文：Zbl 1383.76175号 软件：贝叶斯树;巴蒂;PMTK公司;mf工具箱;布伦特 PDF格式BibTeX公司 XML格式引用 \textit{M.L.A.Kaandorp}和\textit{R.P.Dwight}，计算。Fluids 202，文章ID 104497，15 p.（2020；Zbl 1519.76091） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] Akolekar，H.D。；桑德伯格，R.D。；哈钦斯，N。；米歇拉西五世。；Laskowski，G.，非定常流入条件下液化石油气的机械学习湍流封闭，第15届非定常空气动力学、气动声学和涡轮机械气动弹性国际研讨会论文集（2018年） [2] 班纳吉，S。；Krahl，R。；杜斯特，F。；Zenger，C.，湍流各向异性特性的表示，不变量与特征值方法，J Turbul，8，32（2007）·兹比尔1273.76244 [3] Bentaleb，Y。；拉多，S。；Leschziner，M.，湍流中颗粒轨迹的几何特性，《湍流杂志》，13，1-28（2012） [4] Brent，R.P.，《函数零点的保收敛算法》，《无导数极小化算法》（1973），Prentice-Hall·Zbl 0245.65032号 [5] 布鲁尔，M。；佩勒，N。；拉普，C。；Manhart，M.，《周期性山丘上的流动——大范围雷诺数的数值和实验研究》，计算流体，38，2，433-457（2009）·Zbl 1237.76026号 [6] 陈晓伟。；Lin，X.，《大数据深度学习：挑战与展望》，IEEE Access，2514-525（2014） [7] Cheung，S.H。；Oliver，T.A。；普鲁登西奥，E.E。；Prudhomme，S。；Moser，R.D.，贝叶斯不确定性分析及其在湍流建模中的应用，Reliab Eng Syst Saf，96，9，1137-1149（2011） [8] Chipman，H.A。；E.I.乔治。；McCulloch，R.E.，Bart:贝叶斯加性回归树，Ann Appl Stat，4，1，266-298（2010）·Zbl 1189.62066号 [9] Craft，T.J。；朗德，B.E。；Suga，K.，湍流立方涡粘性模型的发展和应用，《国际热流杂志》，17，2，108-115（1996） [10] Duraisamy，K。；艾卡里诺，G。；Xiao，H.，《数据时代的湍流建模》，《流体力学年鉴》，51，1-23（2019） [11] Duraisamy，K。；张志杰。；Anand，P.S.，《使用数据驱动技术进行湍流和转捩建模的新方法》，第53届AIAA航空航天科学会议，1-14（2015） [12] Edeling，W.N。；Cinnella，P。；Dwight，R.P.，《通过贝叶斯模型场景平均进行预测性RANS模拟》，《计算物理杂志》，第275期，10月，第65-91页（2014年）·Zbl 1349.76106号 [13] 埃默里，M。；拉尔森，J。；Iacarino，G.，《雷诺平均Navier-Stokes闭合区结构不确定性建模》，《物理流体》，第25、11页（2013年） [14] 埃斯波西托，F。；Malerba，D。；Semeraro，G.，《决策树修剪方法的比较分析》，IEEE Trans-Pattern Ana Mach Intell，19，5，476-491（1997） [15] 佐丹奴，R。；斯蒂芬森，W。；刘，R。；M.I.乔丹。；Broderick，T.，《瑞士军队的无限小折刀》，第22届国际人工智能与统计会议论文集，日本冲绳那霸（2019） [16] 哈斯蒂，T。；蒂布希拉尼，R。；Friedman，J.，《统计学习的要素》（2008），施普林格出版社 [17] Higham，N.J.，《矩阵的函数：理论与计算》（2008），工业与应用数学学会：美国宾夕法尼亚州费城工业与应用数学家学会·Zbl 1167.15001号 [18] Jovic，S。；Driver，D.，低雷诺数下的后向台阶测量，NASA技术备忘录108807（1994） [19] http://resolver.tudelft.nl/uuid:f833e151-7c0f-414c-8217-5af783c88474。 [20] Kaandorp，M。；Dwight，R.P.，Tensor基础随机森林github存储库（2019年） [21] https://arxiv.org/pdf/1412.6980.pdf。 [22] Knoll，D.A。；Keyes，D.E.，无Jacobian牛顿-克利洛夫方法：方法和应用调查，计算物理杂志，193，357-397（2004）·兹比尔1036.65045 [23] 朗德，B。；Spalding，D.，湍流的数值计算，应用机械工程的计算方法，3，2，269-289（1974）·Zbl 0277.76049号 [24] 拉瓦尔，J.-P。；Marquillie，M.，《汇聚-分流河道水流的直接数值模拟》，《壁湍流的进展：理解和建模》，203-209年（2011年） [25] Le，H。；Moin，P.，《后向台阶湍流流动的直接数值模拟》，161-173（1992），斯坦福大学湍流研究中心，年度研究简报 [26] Le，H。；梅因，P。；Kim，J.，《后向台阶湍流的直接数值模拟》，《流体力学杂志》，330349-374（1997）·Zbl 0900.76367号 [27] 留置权，F。；Chen，W。；Leschziner，M.A.，基于非线性应力应变/涡度关系的低雷诺数涡流粘度模型，工程湍流模型和实验3，91-100（1996），Elsevier Science [28] Ling，J。；Jones，R。；Templeton，J.，《不变性系统的机器学习策略》，《计算物理杂志》，318，22-35（2016）·Zbl 1349.76124号 [29] Ling，J。；Kurzawski，A。；Templeton，J.，使用嵌入不变性的深度神经网络进行雷诺平均湍流建模，《流体力学杂志》，807155-166（2016）·Zbl 1383.76175号 [30] Ling，J。；Templeton，J.，预测雷诺平均Navier-Stokes不确定性较高区域的机器学习算法评估，Phys Fluids，27，8（2015） [31] Lumley，J.L.，湍流的计算建模，《高级应用力学》，第18期，第123-176页（1979年）·Zbl 0472.76052号 [32] Lumley，J.L。；Newman，G.R.，《均匀湍流各向同性的回归》，《流体力学杂志》，82，1，161-178（1977）·Zbl 0368.76055号 [33] Meinshausen，N.，分位数回归森林，J Mach Learn Res，7983-999（2006）·Zbl 1222.68262号 [34] 曼奇，L。；胡克，G.，《通过置信区间和假设检验量化随机森林中的不确定性》，J Mach Learn Res，17，1-41（2016）·Zbl 1360.62095号 [35] Murphy，K.P.，《机器学习：概率观点》（2012），麻省理工学院出版社·Zbl 1295.68003号 [36] E.J.帕里什。；Duraisamy，K.，《使用场反演和机器学习的数据驱动预测建模范式》，《计算物理杂志》，305758-774（2016）·兹比尔1349.76006 [37] Pecnik，R。；Iacarino，G.，使用v2-f模型预测湍流二次流，333-343（2007），斯坦福大学湍流研究中心，年度研究简报 [38] Pinelli，A。；乌尔曼，M。；Sekimoto，A。；Kawahara，G.，方形管道湍流中平均流动结构的雷诺数依赖性，《流体力学杂志》，644，107（2010）·Zbl 1189.76265号 [39] Pope，S.B.，《一个更普遍的有效粘度假设》，《流体力学杂志》，72，2，331-340（1975）·Zbl 0315.76024号 [40] Pope，S.B.，《湍流》（2000），剑桥大学出版社·Zbl 0966.76002号 [41] 拉斯穆森，C.E。；Williams，C.K.I.，机器学习的高斯过程（2006），麻省理工学院出版社·Zbl 1177.68165号 [42] Reynolds，O.，《关于不可压缩粘性流体的动力学理论和准则的确定》，Philos Trans R Soc Lond A，186，123-164（1895） [43] 罗伊，M.-H。；Larocque，D.，评估平面通道流DNS数据统计误差的方法，《非参数统计杂志》，24993-1006（2012）·Zbl 1254.62055号 [44] Shih，T.-h。；朱，J。；Lumley，J.L.，《可实现的雷诺应力代数方程模型》，NASA技术备忘录105993（1993） [45] 辛格，A.P。；Medida，S。；Duraisamy，K.，翼型湍流分离流的机器学习增强预测建模（2016） [46] 斯洛特尼克，J。；Khodadoust，A。；阿隆索，J。；Darmofal，D。；格罗普，W。；Lurie，E.，《CFD愿景2030研究：革命性计算航空科学之路》，美国国家航空航天局技术报告NASA/CR-2014-21878（2014） [47] 斯佩齐亚莱，C.G。；Sarkar，S。；Gatski，T.B.，《湍流的压力-应变关系建模：不变动力系统方法》，《流体力学杂志》，227，12月，245-272（1991）·Zbl 0728.76052号 [48] 北斯利瓦斯塔瓦。；辛顿，G.E。；Krizhevsky，A。；Sutskever，I。；Salakhutdinov，R.，《辍学：防止神经网络过度拟合的简单方法》，J Mach Learn Res，1929-1958（2014）·兹比尔1318.68153 [49] 汤普森，R.L。；Sampaio，L.E.B。；de Bragana Alves，F.A。；泰国，L。；Mompean，G.，评估平面通道流DNS数据统计误差的方法，计算流体，130，1-7（2016）·Zbl 1390.76226号 [50] 特蕾西，B。；Duraisamy，K。；Alonso，J.J.，应用监督学习量化湍流和燃烧建模中的不确定性，第51届AIAA ASM，包括新视野论坛和航空航天博览会（2013年） [51] Wang J.-X.，Wu J.，Ling J.，Iacarino G.，Xiao H.预测湍流建模的综合物理信息机器学习框架；2017http://arxiv.org/abs/1701.07102。 [52] 王，Q。；Dow，E.A.，《k-omega湍流模型中结构不确定性的量化》（2010），湍流研究中心，《夏季计划论文集》 [53] 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，《计算物理杂志》，325，22-37（2016）·Zbl 1375.76141号 [54] Wilcox，D.C.，《重新审视k-w湍流模型的公式》，AIAA J，46，11，2823-238（2008） [55] http://arxiv.org/abs/1606.07987。 [56] https://arxiv.org/abs/1803.05581。 ·Zbl 1429.76066号 [57] Xiao，H。；王，J.-x。；Ghanem，R.G.，量化湍流建模中模型形式不确定性的随机矩阵方法，Comput Methods Appl Mech Eng，313941-965（2016）·Zbl 1439.76037号 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。