孙旭祥;曹文波;刘一郎;朱林阳;张伟伟 基于机器学习技术的高雷诺数翼型湍流建模方法。 (英语) Zbl 1521.76255号 计算。流体 236,文章ID 105298,14 p.(2022). 摘要:本文针对高雷诺数翼型周围的湍流问题,建立了一个基于深度神经网络的湍流模型。根据Spalart-Allmaras(SA)湍流模型的数据,我们建立了一个将流动特征映射到涡流粘度的神经网络模型。然后使用该模型替换SA湍流模型,以与CFD求解器相互耦合。我们主要从模型的输入、输出特性和损失函数出发,建立了这个合适的数据驱动湍流模型。实现了一种基于特征重要性的特征选择方法。结果表明,该特征选择方法能够有效地去除冗余特征。基于新输入特征的模型在与CFD求解器的相互耦合中具有更好的准确性和稳定性。通过求解得到的力系数与样本数据吻合较好。该模型在不同的入流条件下(攻角、马赫数、雷诺数和翼型)也表现出较强的泛化能力。 MSC公司: 76层65 湍流的直接数值模拟和大涡模拟 68T07型 人工神经网络与深度学习 76D25型 尾迹和喷流 76M99型 流体力学基本方法 关键词:湍流模拟;机器学习;神经网络;特征选择 软件:斯帕拉尔-奥尔马拉斯;AlexNet公司;PyTorch公司;Hyperopt公司;图像网络;亚当;轻型GBM;特色醇 PDF格式BibTeX公司 XML格式引用 \textit{X.Sun}等人,计算。液体236,文章ID 105298,14 p.(2022;Zbl 1521.76255) 全文: 内政部 arXiv公司 参考文献: [1] Durbin,Paul A.湍流闭合模型的一些最新进展[J]。《流体力学年鉴》,50(1):annurev-Fluid-122316-045020·Zbl 1384.76027号 [2] 嘿,A.J。;Tansley,S。;Tolle,K.M.,第四范式:数据密集型科学发现[M](2009),1。微软研究院华盛顿州雷蒙德 [3] Krizhevsky,A。;Sutskever,I。;Hinton,G.,ImageNet分类与深度卷积神经网络[C],(神经信息处理系统国际会议(2012)) [4] 坎布里亚,E。;White,B.,跳跃NLP曲线:自然语言处理研究综述[评论文章][J],计算智能杂志IEEE,9,2,48-57(2014) [5] 张伟。;朱,L。;刘毅,机器学习在湍流建模中的应用进展[J],中国空气动力学学报,37,03(2019) [6] Tracey B.D.,Duraisamy K.,Alonso J J a J.协助湍流模型开发的机器学习策略[J],2015。 [7] Duraisamy,K。;张志杰。;Singh,A.P.,使用数据驱动技术进行湍流和过渡建模的新方法[C],(Aiaa航空航天科学会议(2015)) [8] 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》[j](2017),美国航空航天协会杂志 [9] 辛格,美联社。;Duraisamy,K。;Zhang,Z.J.,使用场反演和机器学习增强湍流模型[C],(第55届美国航空航天协会航空航天科学会议(2017)),0993 [10] 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[J],Phys Rev Fluids,2,3(2017) [11] Wu,J.-。法律。;Xiao,H。;Paterson,E.,《用于增强湍流模型的基于物理的机器学习方法:综合框架》[J],Phys Rev Fluids,3,7,Article 074602 pp.(2018) [12] Ling,J。;Jones,R。;Templeton,J.,具有不变性系统的机器学习策略[J],计算物理杂志,318,22-35(2016)·Zbl 1349.76124号 [13] Ling,J.,使用机器学习理解和缓解湍流模型中的模型形式不确定性[C],(IEEE机器学习与应用国际会议(2015)) [14] 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[J],《流体力学杂志》,807155-166(2016)·Zbl 1383.76175号 [15] 朱,L。;张伟。;Kou,J.,机翼周围亚音速流动湍流建模的机器学习方法[J],《物理流体》,31,1,第015105页,(2019) [16] Maulik,R。;Sharma,H。;Patel,S.,Reynolds-Averaged Navier-Stokes模拟的湍流涡流粘度替代模型框架[J],计算流体,227,第104777页,(2021)·Zbl 1521.76236号 [17] Zhao,Y。;Akolekar,H.D。;Weatheritt,J.,使用CFD驱动的机器学习开发RANS湍流模型[J],计算物理杂志,第109413页,(2020)·Zbl 1436.76011号 [18] 贝克,A。;弗拉德,D。;蒙兹,C.-。D.,数据驱动LES闭合模型的深度神经网络[J],《计算物理杂志》,398,第108910页,(2019) [19] 贝克,A。;Kurz,M.,湍流建模中机器学习方法的展望[j](2020),arXiv预印本,arXiv:2010.1226 [20] 加马哈拉,M。;Hattori,Y.,用人工神经网络搜索湍流模型[J],2(2017),Phys.rev.fluids [21] Nikolao Z.M.,Chrysostomou C.,Minamoto Y.等.基于神经网络的平均剪切湍流反应流未解决应力建模[J],2019。 [22] Kutz,J.N.,流体动力学深度学习[J],《流体力学杂志》,814,1-4(2017)·Zbl 1383.76380号 [23] 吴杰。;Xiao,H。;Sun,R.,Reynolds-averaged Navier-Stokes方程与显式数据驱动的雷诺应力闭合可以进行线性调节[J],J Fluid Mech,869,553-586(2019)·Zbl 1429.76066号 [24] Brener,B.P。;克鲁兹,医学硕士。;汤普森,R.L.,带数据驱动湍流闭合的雷诺平均Navier-Stokes方程的调节和精确解[J],流体力学杂志,915(2021)·Zbl 1461.76303号 [25] 郭,X。;夏,Z。;Chen,S.,计算稳态下已知雷诺应力的平均场[J],Theoret Appl Mech Lett,第100244页,(2021) [26] 郭,X。;夏,Z。;Chen,S.,一种基于数据增强的数据驱动RANS建模实用框架[J],机械学报,1(2021) [27] Karpatne,A。;W·沃特金斯。;Read,J.,Physics-guided neural networks(pgnn):在湖泊温度建模中的应用[J](2017),arXiv预印本,arXiv:1710.11431 [28] 莱斯,M。;佩迪卡里斯,P。;Karniadakis,G.E.,Physics-informated neural networks:a deep learning framework for solution forward and inverse problems including normal partial differential quations[J],J Comput Physis,378,686-707(2019),《物理信息神经网络:解决非线性·Zbl 1415.68175号 [29] 莱斯,M。;王,Z。;Triantafylou,M.S.,涡激振动的深度学习[J],流体力学杂志,86119-137(2019)·Zbl 1415.76177号 [30] 莱斯,M。;亚兹达尼,A。;Karniadakis,G.E.,隐藏流体力学:从流动可视化中学习速度和压力场[J],《科学》,367,6481,1026-1030(2020)·Zbl 1478.76057号 [31] Lutter,M。;Ritter,C。;Peters,J.,《深度拉格朗日网络:使用物理作为深度学习之前的模型》(2019年),arXiv e-prints,arXiv:1907.04490 [32] 斯帕拉特,P。;Allmaras,S.,气动流动的单方程湍流模型[J],Recherche Aerospaciale,1,1,5-21(1992) [33] Choi,H。;Moin,P.,《大涡模拟的网格点要求:查普曼估计重温》[J],《物理流体》,24,1,第011702页,(2012) [34] 朱,L。;张伟。;Sun,X.,利用深度神经网络对高雷诺数翼型流动进行湍流闭合[J],Aerosp Sci-Technol,第106452页,(2020) [35] 塞卡尔,V。;清华江,常熟,利用深度学习方法进行翼型快速流场预测[J],Phys Fluids,31,5,Article 057103 pp.(2019) [36] 徐,M。;Song,S。;Sun,X.,用于伴随向量建模的非结构化网格上的卷积策略[J].Phys Fluids,33,3,文章036115 pp.(2021) [37] 多明戈斯,P.M.,关于机器学习的一些有用知识[J],Commun。acm,55,10,78-87(2012) [38] 波隆-卡内多,V。;Alonso-Betanzos,A.,《特征选择集成:回顾与未来趋势》[J],Inf Fusion,52,1-12(2019) [39] 坎特,J.M。;Veeramachaneni,K.,《深度特征合成:实现数据科学工作自动化》[C],(IEEE数据科学与高级分析国际会议(2015)) [40] Breiman,L.,《随机森林》[J],《马赫学习》,45,1,5-32(2001)·Zbl 1007.68152号 [41] Ke,G。;孟,Q。;Finley,T.,Lightgbm:一种高效的梯度增强决策树[C],3146-3154(2017),神经信息处理系统的进展 [42] Ba,Y。;赵,G。;Kadambi,A.,将不同的物理先验与神经网络相结合[J](2019),arXiv预印本,arXiv:1910.00201 [43] Bergstra,J。;科默,B。;Eliasmith,C.,Hyperopt:用于模型选择和超参数优化的python库[J],Compute Sci Discov,8,1,Article 014008 pp.(2015) [44] Maas,A.L。;Hannun,A.Y。;Ng,A.Y.,整流器非线性改善神经网络声学模型[C],(Proc.icml(2013)),3 [45] 帕斯克,A。;毛重,S。;Massa,F.,Pythorter:一种命令式、高性能的深度学习库[J](2019),arXiv预印本,arXiv:1912.01703 [46] Kingma,D.P。;Adam,Ba J.,一种随机优化方法[J](2014),arXiv预印本,arXiv:1412.6980 [47] 穆晨阳、志翔晓、。,用场反演和机器学习框架改进k-ω-γ-Ar跃迁模型[J],Phys-Fuids,32,6,Article 064101 pp.(2020) 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。