May, 2024

关于大涡模拟的数据驱动闭合模型误差分析的说明

PDF
TL;DR通过数据驱动的涡流闭包建模，我们对流动轨迹预测中的误差传播提供了数学化的表述，分析了误差传播的影响因素，并且指出这些发现可以为基于机器学习模型的新的正则化技术提供改进的方向。
error propagationflow trajectory predictiondata-driven turbulence closure modelinglarge eddy simulationregularization techniques
发现论文，激发创造
  • 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

  • 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

  • 利用神经网络进行二维湍流的子网格建模

    本文提出一种数据驱动的湍流封闭框架，利用人工神经网络预测湍流源项，建立了多个输入和输出之间的映射关系，优化分析和概率密度函数验证了子网格预测，证明了该方法可推断子网格量，为实现无启发式湍流封闭算法打下了良好的基础。

    Aug, 2018

  • 可微湍流 II

    利用可微流体模拟器和深度学习模型，开发了一种将深度学习模型整合到通用有限元数值方案中以求解 Naiver-Stokes 方程的框架，进而实现对子网尺度闭包的学习，该方法在流过倒角阶梯的多个实现中展示了与传统的大涡模拟相当的准确性，并且在相当于 10 倍速度提升的更细网格上进行测试。

    Jul, 2023

  • 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

  • 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

    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。

    Jul, 2018

  • 复杂动力系统模型中结构错误的学习

    利用结构性错误模型的学习和数据同化技术来建模复杂动力系统中的未解决特征是一种有效的方法，其中闭合模型对未解决的尺度进行建模，通过学习结构性错误来改进模型，并演示了两个数值示例来说明其概念和算法。

    Dec, 2023

  • 多尺度流体模拟中隐含变量的机器学习

    通过添加引入 “隐藏变量” 的传输及生长方程，使用可完全微分的偏微分方程模拟器训练神经网络的方法，实现了基于 Euler 方程的流体动力学建模，可以对大 Knudsen 数等非线性等离子体物理现象进行建模。

    Jun, 2023

  • 地转圈中尺度湍流机器学习训练数据的选择

    本文论述了数据问题在数据驱动型方法中发挥的重要作用，通过学习如何过滤转动成分的涡通量，提出了一种基于数据的处理方法，提高了模型的鲁棒性，并讨论了在物理进程中揭示未知数据的隐藏价值。

    Jul, 2023

  • 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