湍流建模中的老式机器学习框架
摘要：机器学习（ML）团队提供明确且有动机的指导是我们的目标，这是基于我们在经验湍流建模方面的经验。在ML之外的建模领域也需要指导。目前，在湍流建模方面，ML尚未取得成功，许多论文提出的建议要么由于数学或物理错误，要么由于严重的过拟合而无法使用。我们认为，“湍流文化”（TC）需要多年时间才能学会，并且在现代缺乏仔细研究的时间的情况下，尤其难以传达。在湍流研究和建模以及广泛阅读之后，一些重要且不言而喻的事实很容易被忽视。此外，其中许多事实并不是绝对的事实，这是由于我们对湍流的理解以及模型与第一原理之间的薄弱联系造成的。其中一些数学事实是严格的，但物理方面往往不是如此。湍流模型出人意料的是随意的。专家之间的分歧会使新参与者困惑。此外，模型的几个关键特性是通过微分方程的非平凡分析性质确定的，这使得它们无法纯粹依赖于数据驱动的ML类型方法。最好的例子是模型在湍流区域边缘的关键行为（ETR）。我们希望在这里传达的知识可以分为“任务”和“需求”，并结合物理和数学。提供了“硬约束”和“软约束”的清晰列表。首先进行了一个如何使用DNS数据的具体示例，可能与ML相结合，并说明了所需的众多决策。我们的重点是创建有效的产品，以增强计算流体力学（CFD）的能力，而不是发表论文。
作者：Philippe Spalart
论文ID：2308.00837
分类：Fluid Dynamics
分类简称：physics.flu-dyn
提交时间：2023-08-03