مقاله شبکه عصبی مبنای تانسور آگاهانه برای فیزیک برای مدل سازی تلاطم

چکیده

Despite the increasing availability of high-performance computational resources, Reynolds-Averaged Navier-Stokes (RANS) simulations remain the workhorse for the analysis of turbulent flows in real-world applications. Linear eddy viscosity models (LEVM), the most commonly employed model type, cannot accurately predict complex states of turbulence. This work combines a deep-neural-network-based, nonlinear eddy viscosity model with turbulence realizability constraints as an inductive bias in order to yield improved predictions of the anisotropy tensor. Using visualizations based on the barycentric map, we show that the proposed machine learning method’s anisotropy tensor predictions offer a significant improvement over all LEVMs in traditionally challenging cases with surface curvature and flow separation. However, this improved anisotropy tensor does not, in general, yield improved mean-velocity and pressure field predictions in comparison with the best-performing LEVM.

چکیده به فارسی (ترجمه ماشینی)

علیرغم افزایش در دسترس بودن منابع محاسباتی با کارایی بالا ، شبیه سازی های متوسط Navier-Stokes (RANS) به طور متوسط رینولدز به عنوان اسب کار برای تجزیه و تحلیل جریان های آشفته در برنامه های دنیای واقعی باقی مانده است.مدل های ویسکوزیته ادی خطی (LEVM) ، که متداول ترین نوع مدل است ، نمی تواند حالت های پیچیده تلاطم را به طور دقیق پیش بینی کند.این کار ترکیب یک مدل ویسکوزیته ادی غیر خطی مبتنی بر شبکه های عمیق و غیرخطی با محدودیت های واقعی بودن تلاطم به عنوان یک تعصب القایی به منظور پیش بینی های بهبود یافته از تانسور ناهمسانگردی است.با استفاده از تجسم مبتنی بر نقشه باریكنترك ، ما نشان می دهیم كه پیش بینی های تانسور ناهمسانگردی روش یادگیری ماشین پیشنهادی ، پیشرفت قابل توجهی نسبت به همه LEVM ها در موارد سنتی چالش برانگیز با انحنای سطح و جداسازی جریان ارائه می دهد.با این حال ، این تانسور ناهمسانگردی بهبود یافته ، به طور کلی ، پیش بینی های میانگین سرعت و فشار را در مقایسه با LEVM بهترین عملکرد بهبود نمی بخشد.