基于基因表达编程的渐变信息和正则化用于开发数据驱动的物理闭合模型
摘要：用进化算法（如基因表达式编程）在开发代数模型时学习准确的数值常数是一个已知的挑战。本文引入了自适应符号的概念到基因表达式编程框架中，以开发先进的物理闭合模型。自适应符号利用梯度信息在模型训练过程中学习局部最优的数值常数，我们研究了两种类型的非线性优化算法。本研究的第二个贡献是实施两种正则化技术，以鼓励可实现和可解释的闭合模型的开发。我们应用L2正则化来确保数值常数的大小较小，并设计了一种新的复杂度度量标准，通过自定义符号复杂度和多目标优化来支持低复杂性模型的开发。我们将这个扩展框架应用于四个用例，分别是重新发现萨瑟兰粘度定律、开发层流火焰速度燃烧模型以及训练两种流体动力学湍流模型。在所有更复杂和较简单的用例中，模型预测精度和训练收敛速度均得到了显著提高。这两种正则化方法对于开发可实现的闭合模型是必不可少的，我们证明所开发的湍流模型在模拟方面比现有的模型有了显著的改进。
作者：Fabian Waschkowski, Haochen Li, Abhishek Deshmukh, Temistocle Grenga, Yaomin Zhao, Heinz Pitsch, Joseph Klewicki, Richard D. Sandberg
论文ID：2211.12341
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2022-11-23