×
字体，Bernat;加布里埃尔·D·韦茅斯。;阮文丹;欧文·塔蒂。

深入学习横向平均Navier-Stokes方程。 （英语） Zbl 07508518号

J.计算。物理学。 434，文章ID 110199，25 p.（2021）.
小结：长圆柱形结构周围湍流流动的模拟计算成本很高，因为长度尺度范围很广，需要进行简化，例如降维。目前的降维技术，如条带理论和深度平均方法，没有考虑小尺度三维（3-D）涡结构固有的自然流动耗散机制。我们提出了一种基于流量局部展向平均值的新型流量分解方法，得到了展向平均的Navier-Stokes（SANS）方程。SANS方程包括闭合项，用于解释二维公式中未考虑的三维效应。基于深度卷积神经网络的监督机器学习（ML）模型为SANS系统提供了闭包。先验结果显示目标和预测闭合项之间的相关性高达92%；比涡流粘度模型相关性好一个数量级以上。训练后的ML模型还针对不同的雷诺流型和训练情况进行了评估，尽管剪切层区域存在一些差异，但仍观察到高相关值。新的SANS方程和ML闭合模型也用于后验预测。虽然我们发现了动力学系统长时间ML预测存在已知稳定性问题的证据，但封闭SANS模拟仍然能够预测尾流指标和诱导力，误差为1-10%。这使得与标准二维模拟相比，提高了大约一个数量级，同时将三维模拟的计算成本降低了99.5%。

引用于2文件

MSC公司：

76平方英尺 湍流
7.6亿 流体力学基本方法
76天xx 不可压缩粘性流体

关键词：

流体动力学;机器学习;湍流模型;尾流

软件：

F2PY（上一财年）;亚当;颤振;凯拉斯;TensorFlow公司
PDF格式BibTeX公司 XML格式引用
\textit{B.Font}等人，《计算杂志》。物理学。434，文章ID 110199，25 p.（2021；Zbl 07508518）
全文： 内政部 arXiv公司

参考文献：

[1] Abadi，M.，TensorFlow：异构系统上的大规模机器学习（2015）
[2] Bao，Y。；帕拉西奥斯，R。；格雷厄姆，M。；Sherwin，S.，长柔性圆柱涡激振动的广义厚条模型，J.Compute。物理。，321, 1079-1097 (2016) ·Zbl 1349.74168号
[3] Bao，Y。；朱海波。；Huan，P。；王，R。；周，D。；Han，Z.L。；帕拉西奥斯，R。；格雷厄姆，M。；Sherwin，S.，用厚条法对柔性立管涡激振动的数值预测，J.流体结构。，89, 166-173 (2019)
[4] 贝克，A。；弗拉德·D。；Munz，C.-D.，《数据驱动les-closure模型的深度神经网络》，J.Compute。物理。，398，第108910条pp.（2019）
[5] M.P.布伦纳。；Eldredge，J.D。；Freund，J.B.，《推进流体力学的机器学习透视》，物理。流体版本，4，10（2019）
[6] Brunton，S.L。；Noack，B.R。；Koumoutsakos，P.，《流体力学的机器学习》，年。流体力学版次。，52, 1, 477-508 (2020) ·Zbl 1439.76138号
[7] Cholet，F.，Keras（2015年）
[8] 科尔曼，G.N。；Sandberg，R.D.，《湍流直接数值模拟入门——方法、程序和指南》（2010年），南安普顿大学，技术报告
[9] 克鲁兹，医学硕士。；汤普森，R.L。；Sampaio，L.E.B。；Bacchi，R.D.A.，《雷诺力矢量在基于物理的机器学习方法中的应用》，《计算》。流体，192，第104258条pp.（2019）·Zbl 1519.76081号
[10] 杜拉萨米，K。；伊卡里诺，G。；Xiao，H.，《数据时代的湍流建模》，年。流体力学版次。，51, 1, 357-377 (2019) ·Zbl 1412.76040号
[11] Font，B.，F2Py-Sockets：关于如何使用套接字将数据从Fortran传输到Python，反之亦然（2019）
[12] Font，B.，SANSpy:跨度平均Navier-Stokes方程的机器学习模型（2020）
[13] 字体B。；G.D.韦茅斯。；Nguyen，V.-T。；Tutty，O.R.，通过圆柱体流动的湍流性质的跨度效应，流体力学杂志。，878, 306-323 (2019) ·兹比尔1430.76255
[14] 字体B。；G.D.韦茅斯。；Nguyen，V.-T。；Tutty，O.R.，《使用深度卷积神经网络进行湍流尾迹预测》，（第33届海军流体动力学研讨会，第33届海上流体动力学研讨会（2020年），海军研究办公室：美国海军研究办公室），出版
[15] Fukami，K。；Fukagata，K。；Taira，K.，用机器学习超分辨率重建湍流，J.流体力学。，870, 106-120 (2019)
[16] 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（2017）
[17] 亨德里克森，K。；G.D.韦茅斯。；Yu，X。；Yue，D.K.P.，尾流在一个三维干式尾板后面。第1部分：。流动结构与大规模引气，流体力学杂志。，875, 854-883 (2019) ·Zbl 1419.76367号
[18] Herfjord，K。；Drange，S.O。；Kvamsdal，T.，通过考虑流体-结构相互作用评估深水立管上的涡激振动，J.海洋机械。弧。工程，121，4207-212（1999）
[19] 谢尔盖·洛夫；Szegedy，Christian，Batch normalization：通过减少内部协变量偏移加快深层网络培训（2015）
[20] Kim，J。；Lee，C.，《不同雷诺数下流入生成湍流的深度无监督学习》，J.Compute。物理。，406，第109216条pp.（2020）
[21] Kim，J。；Lee，C.，利用卷积神经网络预测湍流传热，J.流体力学。，882，A18（2020）·兹比尔1430.76246
[22] Kingma，A.P。；Ba，J.，Adam：随机优化方法（2014）
[23] Kraichnan，R.H.，二维湍流中的惯性范围，物理学。流体，10，7，1417-1423（1967）
[24] Lapeyre，C.J。；Misdariis，A。；北卡罗来纳州卡扎德。；维南特，D。；Poinsot，T.，训练卷积神经网络以估计湍流子网格尺度反应速率，库布斯特。火焰，203255-264（2019）
[25] 乐村，Y。；Bengio，Y.，《图像、语音和时间序列的卷积网络》（1995），麻省理工学院出版社
[26] 乐村，Y。；Boser，B。；Denker，J.S。；亨德森·D·。；霍华德·R·E。；Hubbard，W。；Jackel，L.D.，反向传播应用于手写邮政编码识别，神经计算。，1, 4, 541-551 (1989)
[27] Lee，S。；You，D.，《使用深度学习对圆柱上方非定常流动进行数据驱动预测》，J.流体力学。，879, 217-254 (2019) ·Zbl 1430.76311号
[28] 刘，B。；Tang，J。；黄，H。；Lu，X.-Y.，湍流超分辨率重建的深度学习方法，物理学。流体，32，2，第025105条pp.（2020）
[29] Maertens，A.P。；Weymouth，G.D.，《中等雷诺数下近体流动的精确笛卡尔网格模拟》，计算。方法应用。机械。工程，283，106-129（2015）·Zbl 1423.76180号
[30] 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
[31] 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 (2018) ·Zbl 1415.76405号
[32] 米塔尔·R。；Balachandar，S.，《三维性对名义上二维圆柱体升力和阻力的影响》，Phys。流体，7，8，1841-1865（1995）·Zbl 1032.76530号
[33] 莫尔斯，T。；Chaudhry，M.H.，深度平均明渠水流模型，J.Hydraul。工程师，121,6453-465（1995）
[34] 奈尔，V。；Hinton，G.E.，《校正线性单位改善受限Boltzmann机器》，（第27届国际机器学习会议论文集，ICML’10，第9卷（2010），Omnipress:Omnipress Madison，WI，USA），807-814
[35] 纽曼，J.N.，《船舶运动理论》，（应用力学进展（1979），爱思唯尔出版社），221-283
[36] 诺伯格，C.，《圆柱体上的脉动升力：回顾和新测量》，《流体结构杂志》。，17, 1, 57-96 (2003)
[37] Pope，S.B.，《湍流》（2000），剑桥大学出版社·Zbl 0966.76002号
[38] 詹姆斯·舒尔梅斯特（James C.Schulmeister）。；Dahl，J.M。；G.D.韦茅斯。；Triantafyllou，M.S.，旋转气缸流量控制，流体力学杂志。，825, 743-763 (2017)
[39] Smagorinsky，J.，用原始方程进行的一般循环实验：I.基本实验，周一。《天气评论》，91，3，99-164（1963）
[40] 瓦拉查斯，P.R。；再见，W。；Wan，Z.Y。；Sapsis，T.P。；Koumoutsakos，P.，《长短期记忆网络高维混沌系统的数据驱动预测》，Proc。R.Soc.A，数学。物理学。工程科学。，474、2213，第20170844条pp.（2018）·Zbl 1402.92030
[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（2017）
[42] 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
[43] G.D.韦茅斯。；Yue，D.K.P.，流体-体相互作用问题笛卡尔网格模拟的边界数据浸入法，J.Compute。物理。，230, 16, 6233-6247 (2011) ·Zbl 1419.76511号
[44] Willden，R.H.J。；Graham，J.M.R.，长柔性圆柱上VIV的数值预测，J.流体结构。，15, 3-4, 659-669 (2001)
[45] Willden，R.H.J。；Graham，J.M.R.，《受均匀电流剖面影响的垂直立管的多模态涡激振动》，《欧洲力学杂志》。B、 流体，23，1，209-218（2004）·Zbl 1045.76519号
[46] 肖，Z。；Wan，M。；陈，S。；Eyink，G.L.，二维湍流反向能量级联的物理机制：数值研究，J.Fluid Mech。，619, 1-44 (2009) ·Zbl 1156.76409号
[47] Yates，E.C.，预测亚音速到高超音速机翼颤振的修正条带分析方法，J.Aircr。，3, 1, 25-29 (1966)
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。