×
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。