Jul, 2023
无监督机器学习用于高阶 CFD 求解器的震荡捕捉
Unsupervised machine learning shock capturing for High-Order CFD solvers
Andrés Mateo-Gabín, Kenza Tlales, Eusebio Valero, Esteban Ferrer, Gonzalo Rubio
TL;DR我们提出了一种基于高斯混合模型（GMMs）的新颖无监督机器学习激波捕获算法，在不需要参数调整的情况下，该算法能够准确检测激波并在不同测试案例中展现出强大的鲁棒性。通过与最先进的替代方法进行比较，并将所有方法集成到一个高阶可压间断 Galerkin 求解器中，其中的人工粘性可以调节以捕获激波，我们展示了基于 GMM 的传感器在超音速测试案例中的性能，包括高雷诺数，其效果与精心调整的最先进传感器相当。这种基于 GMM 的传感器具有自适应特性，能够在复杂几何和多样化流体配置中发挥作用，无需大量的训练数据集，适合于复杂的计算流体力学代码，揭示了无监督机器学习方法（如 GMM 传感器）提高先进 CFD 代码的鲁棒性和效率的潜力。