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

Jul, 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

Quantifying model form uncertainty in Reynolds-averaged turbulence models with Bayesian deep neural networks

Nicholas Geneva, Nicholas Zabaras

TL;DR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。

Abstract

data-driven methods for improving turbulence modeling in Reynolds-Averaged Navier-Stokes (RANS) simulations have gained significant interest in the computational fluid dynamics community. Modern machine learning

data-driven methods turbulence modeling reynolds-averaged navier-stokes uncertainty quantification bayesian deep neural network

发现论文，激发创造

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

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

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。

Jan, 2018

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

使用贝叶斯神经网络对反应湍流闭包模型进行先验不确定性量化

使用贝叶斯神经网络（BNN）对大涡模拟（LES）中的小尺度结构（SFS）进行建模，以捕捉反应流模型中的滤波进度变量标量消失速率的不确定性，并提出了一种将分布之外信息纳入 BNN 的方法。在包含多种火焰条件和燃料的数据集上，我们对该模型进行先验评估，证明了其有效性。

Feb, 2024

对复杂动态系统中认识不确定性和随机不确定性量化的机器学习架构评估

本研究比较了多种机器学习技术的 UQ 准确性，并对两个模型（船只在波浪中的运动和 Majda-McLaughlin-Tabak 模型）进行了应用。