ترجمه فارسی مقاله بسته شدن شبکه عصبی TVD و کاربرد آن در احتراق آشفته

چکیده

Trained neural networks (NN) have attractive features for closing governing equations, but in the absence of additional constraints, they can stray from physical reality. A NN formulation is introduced to preclude spurious oscillations that violate solution boundedness or positivity. It is embedded in the discretized equations as a machine learning closure and strictly constrained, inspired by total variation diminishing (TVD) methods for hyperbolic conservation laws. The constraint is exactly enforced during gradient-descent training by rescaling the NN parameters, which maps them onto an explicit feasible set. Demonstrations show that the constrained NN closure model usefully recovers linear and nonlinear hyperbolic phenomena and anti-diffusion while enforcing the non-oscillatory property. Finally, the model is applied to subgrid-scale (SGS) modeling of a turbulent reacting flow, for which it suppresses spurious oscillations in scalar fields that otherwise violate the solution boundedness. It outperforms a simple penalization of oscillations in the loss function.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی آموزش دیده (NN) از ویژگی های جذاب برای بسته شدن معادلات حاکم برخوردار هستند ، اما در صورت عدم وجود محدودیت های اضافی ، آنها می توانند از واقعیت جسمی دور شوند.فرمولاسیون NN برای جلوگیری از نوسانات مبهم که باعث نقض محدودیت یا مثبت بودن محلول می شود ، معرفی می شود.این در معادلات گسسته شده به عنوان بسته شدن یادگیری ماشین و کاملاً محدود ، با الهام از روشهای کاهش کل (TVD) برای قوانین حفاظت از ابربولیک تعبیه شده است.این محدودیت دقیقاً در طول آموزش شیب-نمک با نجات پارامترهای NN اجرا می شود ، که آنها را بر روی یک مجموعه امکان پذیر صریح نقشه می کند.تظاهرات نشان می دهد که مدل بسته شدن NN محدود ، پدیده های هیپربولیک خطی و غیرخطی و ضد تخریب را در حالی که خاصیت غیر اکیلوی را اجرا می کند ، بازیابی می کند.سرانجام ، این مدل برای مدل سازی در مقیاس زیر شبکه (SGS) از یک جریان واکنش آشفته اعمال می شود ، که برای آن باعث سرکوب نوسانات فریبنده در زمینه های مقیاس می شود که در غیر این صورت محدودیت محلول را نقض می کند.این یک مجازات ساده از نوسانات در عملکرد از دست دادن است.