Apr, 2008

一个公共湍流数据库群集及其应用于湍流中速度增量的 Lagrangian 演化研究

PDF
TL;DR介绍了一个公共数据库系统，其中存档了一组与各向同性强制湍流有关的直接数值模拟数据（包括 $1024^3$ 空间点和 1024 时间样本），用户可以通过基于 Web 服务模型的界面远程访问这些数据并执行分析程序进行数字实验，该数据库用来分析与湍流中的小尺度间歇性有关的动力模型，具体地说，使用来自数据库中的 DNS 数据计算条件平均值来评估压力和粘性项对速度增量的 Lagrangian 演化的动态效应，并表明这些效应在它们之间存在显著差异，因此需要不同的建模策略。
direct numerical simulationturbulencedatabaseintermittencynumerical experiments
发现论文，激发创造
  • 利用物理感知时空动态和测试时间细化重建湍流流场

    本研究提出了一种新的物理引导神经网络方法，用于从低分辨率大涡模拟数据重建高分辨率的直接数值模拟数据，并在两种不同类型的湍流数据上得到了优越的结果。

    Apr, 2023

  • 基于生成扩散模型的合成拉格朗日湍流

    基于最先进的扩散模型的机器学习方法，能够生成具有高雷诺数的三维湍流中的单粒子轨迹，从而避免直接数值模拟或实验获得可靠的拉格朗日数据；该模型能够定量地重现整个时间尺度范围内的所有相关统计基准，包括速度增量的尾分布、异常幂律和耗散尺度周围间歇性的增强；该模型在极端事件方面表现出良好的普适性，实现了前所未有的强度和稀有性，为产生用于预训练拉格朗日湍流各种下游应用的合成高质量数据奠定了基础。

    Jul, 2023

  • 物理增强的神经算子用于模拟湍流输运

    精确模拟湍流流动对于气候科学、淡水科学和能源高效制造等众多科学和工程领域具有巨大重要性。本文提出了一种物理增强型神经算子（PENO）的模型，通过将偏微分方程（PDEs）的物理知识纳入模型，准确建模流动动力学，进而通过自增机制来减少长期模拟中所积累的误差。该方法在两组不同的 3D 湍流流动数据上进行了评估，展示了该模型重构高分辨率的 DNS 数据、保持流动传输的固有物理特性，并能在不同分辨率下生成流动模拟。此外，针对多个由不同 PDEs 生成的 2D 涡度流序列的实验结果突出了所提出方法的可转移性和普适性，证实了其在多种需要进行大量模拟的真实场景下的适用性。

    May, 2024

  • 反思材料模拟：将直接数值模拟与神经算子相融合

    基于数值求解器和神经算子的新方法可加速直接数值模拟，具有高达 16.5 倍的加速效果，并可应用于多种演化模型。

    Dec, 2023

  • 基于深度学习扩散生成模型的湍流尺度缩放

    利用基于扩散的生成模型学习湍流涡度轮廓的分布，生成与训练数据集不同的多样化湍流解，并分析新湍流轮廓的统计缩放特性、能量功率谱、速度概率分布函数和局部能量耗散矩。通过与已建立的湍流特性的一致性，该模型证明了其捕捉实际湍流关键特征的能力。

    Nov, 2023

  • DynaBench: 低分辨率数据学习动态系统的基准数据集

    本文介绍了一个新的模拟基准数据集 DynaBench, 用于直接从稀疏散乱的数据中学习动力系统。该数据集着重于通过低分辨率、非结构化的测量预测动力学系统的演变，并评估了几个机器学习模型（包括传统的图神经网络和点云处理模型）。

    Jun, 2023

  • 基于扩散模型的偏微分方程数据生成

    为解决物理机器学习中的数据稀缺性问题，我们提出了一种新的物理模拟数据生成方法，利用扩散模型生成合成数据样本，并通过两种情况下的比较检验生成数据样本的准确性和符合物理法则的一致性，从而使它们能够有效地用于下游任务。

    Jun, 2023

  • 利用神经网络进行二维湍流的子网格建模

    本文提出一种数据驱动的湍流封闭框架，利用人工神经网络预测湍流源项，建立了多个输入和输出之间的映射关系，优化分析和概率密度函数验证了子网格预测，证明了该方法可推断子网格量，为实现无启发式湍流封闭算法打下了良好的基础。

    Aug, 2018

  • 磁流体力学湍流中的结构：检测和缩放

    本研究通过簇分析系统地分析了湍流电流和涡流结构的统计特性，同时研究了雷诺数对簇统计的影响以及如何解释间歇性，并发现自组织临界性特征在可耗散尺度范围内。

    Jul, 2010

  • 数据时代下的湍流模型

    本研究回顾了在边界层流领域，纳维尔 - 斯托克斯 (Navier-Stokes) 方程的雷诺平均数 (RANS) 模型中，使用实验数据和直接数值模拟数据进行误差边界估计的研究。具体而言，研究探索了通过物理约束来约束 RANS 模型中的误差幅度，采用统计推断来表征模型系数，估算误差，并使用机器学习来优化流体力学的领域。研究结果表明，通过利用湍流建模和物理约束的基础知识，可以实现基于数据的流体力学预测模型的建立。

    Mar, 2018