Aug, 2023
一种稳定的基于包装器的参数选择方法，用于高效的基于人工神经网络的数据驱动湍流建模
On stable wrapper-based parameter selection method for efficient ANN-based data-driven modeling of turbulent flows
Hyeongeun Yun, Yongcheol Choi, Youngjae Kim, Seongwon Kang
TL;DR通过人工神经网络和梯度衍生子集选择的方法，本研究分析和开发了一种用于建模复杂湍流流动和热传递现象的缩减建模方法。该方法在移除冗余或不相关参数方面优于其他方法，但人工神经网络训练中的过拟合和随机性可能导致在更高物理维度上实现不一致的子集选择。通过将这些方法应用于一个制造的子集选择问题以及湍流气泡流动中的气泡大小建模和管道流动中的位置变化湍流普朗特数建模，检验了参数缩减性能和试验一致性。研究发现，梯度衍生子集选择以最小化总导数损失的方式相比其他基于人工神经网络的包装器方法，在试验一致性方面具有改进，同时成功地去除了不必要的参数。对于缩减的湍流普朗特数模型，梯度衍生子集选择方法在验证案例中提高了预测能力。此外，减少的参数子集相比其他方法显示出略微增加的训练速度。