×

湍流中涡激振动的机器学习。 (英语) Zbl 1517.76022号

摘要:层流中涡激振动(VIV)的机器学习最近有了许多进展。我们通过采用基于物理信息的最新参数化Navier-Stokes方程神经网络(PNS-PINN),将这些应用扩展到湍流。以雷诺数为(R e=10 ^4)的VIV运动圆柱绕流为例。在PNS-PINN中,在Navier-Stokes方程中引入一个类粘度参数(nu_t),并将其视为一个隐藏的输出变量。为了进行比较,还考虑了基于Navier-Stokes方程的PINN,而不引入\(\nu_t\)。PNS-PINN和NSF网络使用了一系列来自计算流体动力学(CFD)模拟的分散速度和染料痕量浓度快照的训练数据集。结果表明,PNS-PINN在湍流条件下更有效地推断和重建VIV和流动。PNS-PINN配置还可以处理VIV中的非定常和多尺度流动。

MSC公司:

76D17号 粘性涡流
68吨10 模式识别、语音识别
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] Blevins,R.D.,《流致振动》(1990),Krieger Pub Co:Krieger Pab Co New York
[2] 威廉姆森,C.H.K。;Govardhan,R.,涡激振动,《流体力学年鉴》,36,1,413-455(2004)·Zbl 1125.74323号
[3] 莱马,S。;李,H。;Chen,W。;Li,F.,双箱梁涡激振动的研究与控制,《流体结构杂志》,39,205-221(2013)
[4] 刘,G。;李,H。;邱,Z。;Leng博士。;Li,Z。;Li,W.,《海洋立管涡激振动最新进展的简要回顾》,海洋工程,195,第106704条,pp.(2020)
[5] Wang,H。;翟,Q。;张杰,圆柱后柔性板流致振动的数值研究,海洋工程,163419-430(2018)
[6] Bernitsas,M.M。;Raghavan,K。;Ben-Simon,Y。;Garcia,E.M.H.,VIVACE(涡激振动水生清洁能源):从流体流动中产生清洁和可再生能源的新概念,《海上机械工程杂志》,130,4,1-15(2008)
[7] Wang,J。;Tang,L。;赵,L。;胡,G。;宋,R。;Xu,K.,使用半经验集总参数方法的基于涡激振动的能量采集器的等效电路表示,国际能源研究杂志,44,6,4516-4528(2020)
[8] Evangelinos,C。;Em Karniadakis,G.,受涡激振动影响的刚性和柔性圆柱体湍流尾迹中的动力学和流动结构,《流体力学杂志》,400,91-124(1999)·Zbl 0983.76029号
[9] Prasanth,T.K。;Mittal,S.,低雷诺数下圆柱的涡激振动,流体力学杂志,594463-491(2008)·Zbl 1159.76316号
[10] 医学博士格里菲斯。;Lo Jacono,D。;谢里丹,J。;Leontini,J.S.,《串联和交错布置的两个气缸的流致振动》,《流体力学杂志》,833,98-130(2017)·Zbl 1419.76177号
[11] Sabino博士。;Fabre,D。;Leontini,J.S。;Jacono,D.L.,通过阻抗标准预测涡激振动,流体力学杂志,890,A4(2020)·Zbl 1460.76221号
[12] Ojha,V。;Fidkowski,K。;Cesnik,C.E.,流体-结构相互作用模拟的自适应网格细化,(AIAA科学技术2021论坛、AIAA科学科技2021论坛,AIAA科学科学技术论坛(2021),美国航空航天研究所)
[13] 拉斐尔,M。;Willert,C.E。;Kompenhans,J.,粒子图像测速(1998),Springer:Springer New York
[14] Jonassen,D.R。;定居,G.S。;Tronosky,M.D.,湍流的纹影“piv”,《光学激光工程》,44,3,190-207(2006)
[15] Hargather,M.J。;劳森·M·J。;定居,G.S。;Weinstein,L.M.,通过纹影图像测速技术进行的无籽测速测量,AIAA J,49,3611-620(2011)
[16] van Gent,P.L。;Michaelis,D。;van Oudheusden,B.W。;韦斯,P。;de Kat,R。;拉斯卡里,A。;Jeon,Y.J。;大卫·L。;Schanz,D。;Huhn,F。;Gesemann,S。;诺瓦拉,M。;McPhaden,C。;新泽西州奈特森。;对手D.E。;Schneiders,J.F.G.公司。;Schrijer,F.F.J.,《通过粒子图像测速测量和拉格朗日粒子追踪对压力场重建进行比较评估》,Exp Fluids,58,4,33(2017)
[17] 张杰。;巴塔查里亚,S。;Vlachos,P.P.,《利用不确定性改进基于piv/ptv流量测量的压力场重建》,实验流体,61,6,131(2020)
[18] 辛格,A.P。;Duraisamy,K.,《使用场反演量化湍流闭合的功能误差》,《物理流体》,28,4,第045110页,(2016)
[19] 辛格,美联社。;Medida,S。;Duraisamy,K.,《翼型湍流分离流动的机器学习增强预测模型》,AIAA J,55,7,2215-2227(2017)
[20] 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
[21] Xiao,H。;Wu,J.L。;王建新。;Sun,R。;Roy,C.J.,《量化和减少雷诺平均Navier-Stokes模拟中的模型形式不确定性:一种数据驱动、基于物理的贝叶斯方法》,《计算物理杂志》,324115-136(2016)·Zbl 1371.76082号
[22] Wang,J。;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 Rev Fluids,2,3,1-22(2017)
[23] Weatheritt,J。;Sandberg,R.D.,《使用新型进化算法开发代数应力模型》,《国际热流学杂志》,68,8月,298-318(2017)
[24] 张伟。;朱,B。;Xu,H。;Wang,Y.,将扩展的本征平均自旋张量应用于湍流旋转通道流RANS建模的进化算法,Hydrodyn,31,61255-1258(2019)
[25] 朱,L。;张伟。;寇,J。;Liu,Y.,翼型周围亚音速流动湍流建模的机器学习方法,物理流体,31,1,第015105页,(2019)
[26] Sarghini,F。;费利塞,G.D。;Santini,S.,《大涡模拟中基于神经网络的子网格尺度建模》,计算与流体,32,97-108(2003)·Zbl 1009.76512号
[27] 巴罗内,M.F。;Fike,J.A。;Ling,J。;Iv,W.L.D.,地表压力波动大涡模拟预测误差的机器学习模型,(AIAA航空论坛,第47届AIAA流体动力学会议(2017年),丹佛),1-20
[28] 斯科普林,M。;Weatheritt,J。;桑德伯格,R。;Talei,M。;Klein,M.,进化算法在预混火焰湍流传输大涡模拟中的应用,《计算物理杂志》,374,1166-1179(2018)·Zbl 1416.76078号
[29] Raissi先生。;佩迪卡里斯,P。;Karniadakis,G.E.,《基于物理的神经网络:解决非线性偏微分方程正问题和逆问题的深度学习框架》,《计算物理杂志》,378,686-707(2019)·Zbl 1415.68175号
[30] Raissi先生。;亚兹达尼,A。;Karniadakis,G.E.,《隐藏流体力学:从可视化中学习速度和压力场》,《科学》,367,6481,1026-1030(2020)·Zbl 1478.76057号
[31] 金,X。;蔡,S。;李,H。;Karniadakis,G.E.,Nsfnets(Navier-Stokes流网):不可压缩Navier-Stokes方程的物理信息神经网络,计算物理杂志,426,第109951页,(2021)·兹伯利07510065
[32] Bai,X。;Wang,Y。;张伟,应用物理信息神经网络进行流量数据同化,J Hydrodyn,32,6,1050-1058(2020)
[33] Xu,H。;张伟。;Wang,Y.,《通过基于物理的深度学习探索缺失的流体动力学:参数化控制系统》,《物理流体》,第33、9期,第095116页(2021)
[34] Raissi先生。;Z、W。;Triantafylou,M.S。;Karniadakis,G.E.,《涡激振动的深度学习》,《流体力学杂志》,86119-137(2019)·Zbl 1415.76177号
[35] Menter,F.,工程应用的双方程涡粘湍流模型,AIAA J,32,8,1598-1605(1994)
[36] Menter F,Kuntz M,Bender R.湍流预测的尺度自适应模拟模型。美国航空航天协会第41届航空科学会议和展览,内华达州雷诺,2003年,第1-11页。
[37] M.阿巴迪。;巴勒姆,P。;陈,J。;陈,Z。;A.戴维斯。;迪恩,J。;德文,M。;Ghemawat,S。;欧文,G。;Isard,M.,Tensorflow:大型机器学习系统,(第十二届操作系统设计与实现研讨会(2016)),265-283
[38] Kingma,D.P。;Ba,J.L.,Adam:随机优化方法,(第三届学习表征国际会议,iclr 2015-会议跟踪记录(2015)),1-15,arXiv:1412.6980
[39] 王,S。;Teng,Y。;Perdikaris,P.,《理解和缓解物理信息神经网络中的梯度病理学》,1-28(2020),arXiv:2001.04536
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。