Jan, 2018

应用物理学知识的机器学习方法增强湍流模型：一个全面的框架

PDF
TL;DR使用物理信息的机器学习可以提高雷诺应力建模的准确性，该方法分解成线性和非线性部分有助于缓解基于雷诺应力封闭方程的雷诺平均流动方程的病态问题，该框架可用于改进平均速度的预测。
reynolds-averaged navier-stokes equationsmachine learningturbulence modelsmean flow featuresreynolds stress tensor
发现论文，激发创造
  • 机器学习增强雷诺平均与大涡模拟湍流模型的视角

    该论文综述了机器学习在湍流模型中的应用，尤其讨论了在 RANS 和 LES 建模中应用监督学习以表示未封闭项、模型差异和亚滤波尺度的不同方法。作者强调训练过程对 ML 增强与基本物理模型的一致性的影响，并详细介绍了促进模型一致性训练和避免需要直接数值模拟数据完整场信息的技术。

    Sep, 2020

  • 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

  • 使用贝叶斯深度神经网络量化雷诺平均湍流模型的形式不确定性

    本文介绍了一种新颖的数据驱动框架，使用不变的贝叶斯深度神经网络以及蒙特卡罗方法对流体量，比如速度和压力提供概率边界，并且在两个测试用例中进行结果呈现。该框架不仅可以提高 RANS 计算预测结果的准确性，而且还允许在没有高保真度观察或先验知识的流中，对模型置信度和不确定性进行定量测量。

    Jul, 2018

  • 面向物理学信息的深度学习在湍流流场预测中的应用

    使用基于物理原理的 TensorFlow-net 深度学习模型，可以准确预测高效非线性动力学物理场，并且满足保守质量、模拟湍流动能和频谱等物理特征。

    Nov, 2019

  • 用于解决雷诺平均纳维尔 - 斯托克斯方程的受物理学指导的神经网络

    本文利用物理信息网络解决并识别局部微分方程组，应用此方法成功地解决了雷诺 - 平均纳维尔 - 斯托克斯方程，该方程适用于不可压的湍流流动，而且不需要特定的湍流模型或假设，并仅仅需要利用域边界数据来解决方程，研究结果表明该方法可以用于压力梯度强的层流，并且可以得到小于 1％的误差，同时对于湍流流动的模拟结果也非常准确。

    Jul, 2021

  • 基于概率数据驱动的 RANS 模拟封闭模型，考虑随机模型不确定性

    本研究提出了一种基于数据驱动的概率闭合模型，用于 Reynolds 平均 Navier-Stokes 模拟，并且融入贝叶斯方法和随机变量来处理模型的不确定性。

    Jul, 2023

  • 利用图神经网络增强 CFD 数据同化

    我们提出了一种新颖的机器学习方法，用于在流体力学中应用数据同化，基于反问题优化与图神经网络模型。

    Nov, 2023

  • 基于 RANS-PINN 的模拟替代模型用于预测湍流流场

    本文介绍了一种修改过的 PINN 框架 RANS-PINN，用于在高雷诺数的湍流流动条件下预测流场（即速度和压力），并采用一种新的训练方法来确保损失函数各组成部分的有效初始化和平衡。

    Jun, 2023

  • 壳模型湍流模拟的自动耗散控制

    通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。

    Jan, 2022

  • 机器学习加速计算流体力学

    采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。

    Jan, 2021