APP下载

数据驱动的湍流标量混合非闭合深度学习模型

2021-10-28于建

网络安全技术与应用 2021年9期
关键词:深度模型

◆于建

数据驱动的湍流标量混合非闭合深度学习模型

◆于建

(辽宁工程技术大学信息化与网络管理中心 辽宁 123000)

借鉴物理信息深度学习和深隐藏物理模型,提出一个从噪声的时空概率密度函数测算中辨识湍流模型的框架。该模型适用于由运积单点概率密度函数方程描述的条件Fickian标量期望扩散或耗散。采用均匀湍流二元标量混合的振幅映射闭包/Johnsohn-Edgeworth变换模型获得精确解,对所构建的模型进行了测评。

概率密度函数模型;湍流混合;模型辨识;深度学习

湍流标量混合问题在近几十年得到学术界广泛研究和应用[1-3]。在Reynolds-averaged Navier-Stokes(RANS)模拟中,湍流的输运概率密度函数(PDF)明确地描述了这一问题。对于单点PDF描述子, Fickian标量的混合作用表现为:条件期望耗散项和/或条件期望扩散项为非闭合的[2]。通过概率滤波密度函数(FDF)在大涡流模拟(LES)中也遇到了类似的非闭合问题[4]。相关非闭合项的闭包开发已成为热点研究问题。湍流模型的首要目标是为PDF/FDF输运方程中出现的未闭合项找到精确的闭包。在湍流建模中,常采用封闭项表达非封闭项。这种闭包的形式是基于对已有问题的物理检查,它本身就容易出错。这是湍流闭合过程中建模不确定性的主要来源。

本文介绍了一种新的湍流标量混合闭包方法,即从高保真度观测中学习非闭合项。这种观察可能来自直接数值模拟(DNS),如文献[5-7];或时空分辨实验测量,如文献[8-9]。显然,在DNS中,未闭合项可以直接从模拟结果中提取出来。……

登录APP查看全文

猜你喜欢

深度模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
深度观察
深度观察
深度观察
深度观察
3D打印中的模型分割与打包
FLUKA几何模型到CAD几何模型转换方法初步研究
提升深度报道量与质
一个相似模型的应用