Apr, 2024
机器学习封闭URANS对稳定成层湍流的研究：连接深度时间序列模型的物理时间尺度和数据超参数
Machine-Learned Closure of URANS for Stably Stratified Turbulence:
Connecting Physical Timescales & Data Hyperparameters of Deep Time-Series
Models
Muralikrishnan Gopalakrishnan Meena, Demetri Liousas, Andrew D. Simin, Aditya Kashi, Wesley H. Brewer...
TL;DR我们通过时间序列机器学习方法，对稳定分层湍流应用于非稳定雷诺平均N-S（URANS）方程的闭合建模进行开发。通过直接对力平衡进行建模，我们考虑了两种时间序列机器学习模型：长短期记忆（LSTM）和神经常微分方程（NODE）。我们通过提取复杂系统的物理相关时间尺度，探索了机器学习模型的数据需求，并发现模型准确捕捉稳定分层湍流动力学所需的最小信息的时间尺度比例与流体的雷诺数相对应。此研究提供了探索这类模型捕捉高维复杂稳定分层湍流动力学能力的基础。