概率机器学习改进数据驱动的湍流建模的泛化
摘要：一种概率机器学习模型被引入以增强$k-omega SST$湍流模型，以改进分离流动的建模以及学习校正的普适性。机器学习方法越来越多地被用于利用实验和高保真数据，提高工业中广泛使用的雷诺平均纳维-斯托克斯(RANS)湍流模型的准确性。这些方法面临的一个重要挑战是它们能否推广到看不见的几何形状和流动条件。此外，包含实验数据和模拟数据混合的异构数据集需要有效处理。在这项工作中，使用场反演和高斯过程模拟器(GPEs)的集合来解决这两个挑战。集合模型应用于一系列基准测试案例，展示了在具有不利压力梯度的分离流动情况下改进的湍流建模，其中RANS模拟被理解为不可靠的。更重要的是，在流动区域展示出训练数据之外的物理现象时，模拟会恢复到未校正的模型。
作者：Joel Ho, Nick Pepper, Tim Dodwell
论文ID：2301.09443
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-01-24