基于强化学习的大涡模拟离散化一致闭合方案

Sep, 2023

基于强化学习的大涡模拟离散化一致闭合方案

Toward Discretization-Consistent Closure Schemes for Large Eddy Simulation Using Reinforcement Learning

Andrea Beck, Marius Kurz

TL;DR基于强化学习（RL）的后验方法，我们提出了一种新颖的方法来开发与离散化一致的闭合方案，并将其应用于隐式滤波的大涡模拟（LES），其中诱导滤波核和闭合项根据网格和离散化算子的性质确定。优化的闭合模型实现了准确且一致的结果，甚至比经典最先进的模型在不同离散化和分辨率上表现更好。

Abstract

We propose a novel method for developing discretization-consistent closure schemes for implicitly filtered Large Eddy Simulation (LES). In implicitly filtered LES, the induced filter kernel, and thus the closure terms, are determined by the properties of the grid and the discretization

implicitly filtered les closure schemes discretization-consistent reinforcement learning (rl)compressible turbulence

发现论文，激发创造

大涡模拟中的深度强化学习用于湍流建模

本论文基于强化学习理论，通过卷积神经网络建立了大涡模拟中湍流参数、长时间稳定的模拟、精度等方面都优于传统分析模型的涡黏度动态自适应模型，并将其推广到不同分辨率和离散化的场景，为完成大涡模拟提供一种持续、准确和稳定的参数化框架。

Jun, 2022

利用多智能体强化学习进行粗粒度偏微分方程闭合探索

使用多智能体强化学习在低分辨率偏微分方程中确定闭合项，通过卷积神经网络高效地表示中央策略，进行模拟并展示了准确预测和显著加速的结果。

Feb, 2024

从高保真数据中学习子网格尺度闭合的闭合形式方程：承诺与挑战

该研究应用公式发现技术发现，无论物理系统如何，通过过滤后的数据都可以发现与 Taylor 级数相一致的式子来封闭多尺度系统中的细网格参数化，但不稳定性问题限制了其应用，致力于使用物理类图书馆、损失函数和度量学习准确、稳定的封闭。

Jun, 2023

神经理想大涡模拟：用神经随机微分方程建模湍流

本文提出了一种基于数据打造的学习框架，将理想大涡模拟和神经随机微分方程相结合，应用在一种具有挑战性的混沌动力学系统 —— 雷诺数为 20000 的 Kolmogorov 流上，与其他方法相比，我们的 niLES 方法可以无缝处理非均匀几何结构，并可以处理更精确的统计数据和增强稳定性，特别是在长时间内的结果上.

Jun, 2023

准确深度学习子网格尺度模型用于大涡模拟

我们提出了两个用于大涡模拟（LES）目的开发的次网格尺度（SGS）湍流模型家族。这些模型的发展需要以物理为基础的强大且高效的深度学习（DL）算法，与最先进的分析建模技术不同，该算法能够产生输入和输出之间的高阶复杂非线性关系。

Jul, 2023

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

可微湍流

利用可微分湍流解算器与受物理启发的深度学习架构的组合，学习出极为有效且多功能的二维湍流流动的亚网尺度模型；通过研究所选择的架构的归纳偏差分析，发现包含小尺度非局部特征对于效果良好的亚网尺度建模至关重要，而大尺度特征可以提高后验解场的点位准确性；通过分解输入与输出为各向同性、去除偏差以及反对称分量，将滤波速度梯度张量直接映射到亚网尺度应力。同时，验证模型可应用于多种不同流动配置，包括更高和更低雷诺数以及不同的施加条件。实验证明可微分物理的范例比离线的先验学习更加成功，并且深度学习的混合解算器循环方法在计算效率、准确性和泛化性方面提供了理想的平衡。该研究为基于物理的湍流智能感知方法提供了推荐建议。

Jul, 2023

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

利用神经常微分方程在不连续 Galerkin 方法中学习亚网颗粒模型以处理可压性 Navier-Stokes 方程

通过使用神经常微分方程在间断 Galerkin 空间离散化的背景下，我们提出了一种学习部分微分方程模拟时子网格规模模型效应的新方法，通过连续水平学习低阶 DG 求解器中丢失的尺度，从而提高低阶 DG 逼近的准确性并以一定程度的精度加速滤波器高阶 DG 模拟。我们通过不同雷诺数和时间的多维 Taylor-Green 涡旋实例演示了我们方法的性能，涵盖了层流、过渡和湍流状态。提出的方法不仅可以从低阶（1 阶）逼近重建子网格规模，还可以将滤波高阶（6 阶）DG 模拟加速两个数量级。

Oct, 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