[论文解读] Machine Learning-augmented Reynolds-averaged and Large Eddy Simulation Models of Turbulence

Karthik Duraisamy|arXiv (Cornell University)|Sep 15, 2020

Model Reduction and Neural Networks被引用 9

一句话总结

本文综述了用于湍流模拟的机器学习增强型RANS与LES模型，提出采用物理信息训练方法，结合受限特征空间与模型一致的训练流程，以提升模型的泛化能力。重点强调避免对完整DNS数据的依赖，并通过整合物理先验知识来应对数据稀缺问题，确保与基础流体动力学原理的一致性。

ABSTRACT

This work presents a review and perspectives on recent developments in the use of machine learning (ML) to augment Reynolds-averaged Navier--Stokes (RANS) and Large Eddy Simulation (LES) models of turbulent flows. Different approaches of applying supervised learning to represent unclosed terms, model discrepancies and sub-filter scales are discussed in the context of RANS and LES modeling. Particular emphasis is placed on the impact of the training procedure on the consistency of ML augmentations with the underlying physical model. Techniques to promote model-consistent training, and to avoid the requirement of full fields of direct numerical simulation data are detailed. This is followed by a discussion of physics-informed and mathematical considerations on the choice of the feature space, and imposition of constraints on the ML model. With a view towards developing generalizable ML-augmented RANS and LES models, outstanding challenges are discussed, and perspectives are provided. While the promise of ML-augmented turbulence modeling is clear, and successes have been demonstrated in isolated scenarios, a general consensus of this paper is that truly generalizable models require model-consistent training with careful characterization of underlying assumptions and imposition of physically and mathematically informed priors and constraints to account for the inevitable shortage of data relevant to predictions of interest. This endeavor requires multi-disciplinary advances, and thus the target audience for this paper is the fluid mechanics community, as well as the computational science and machine learning communities.

研究动机与目标

• 通过确保训练流程与底层物理模型保持一致，解决机器学习增强型RANS与LES模型在泛化能力方面的不足。
• 通过数据高效训练策略，减少对全场直接数值模拟（DNS）数据的依赖。
• 通过在学习过程中整合物理与数学约束，开发具备泛化能力的机器学习增强型湍流模型。
• 引导流体力学、计算科学与机器学习领域共同推动湍流建模的跨学科进步。
• 为机器学习增强型RANS与LES框架中的特征空间选择与约束施加建立最佳实践。

提出的方法

• 在RANS与LES框架中应用监督学习，以建模未闭合项、差异项与亚网格尺度。
• 实施与模型一致的训练流程，使机器学习预测与控制物理方程保持一致。
• 利用物理信息与数学信息先验，对机器学习模型的假设空间施加约束。
• 设计反映湍流建模相关物理不变性与对称性的特征空间。
• 采用技术手段避免过拟合，通过最小化对高保真DNS数据的依赖。
• 对机器学习模型施加结构化约束，以保持守恒律与物理一致性。

实验结果

研究问题

• RQ1 如何以确保与底层RANS与LES模型一致的方式训练机器学习模型？
• RQ2 哪些特征空间选择能够提升机器学习增强型湍流模型的泛化能力与物理解释性？
• RQ3 如何在训练机器学习增强型湍流模型时减少对全场直接数值模拟数据的需求？
• RQ4 物理与数学约束在提升机器学习增强型RANS与LES模型可靠性与泛化能力方面发挥何种作用？
• RQ5 为实现真正具备泛化能力的机器学习增强型湍流模型，需要哪些跨学科的进展？

主要发现

• 模型一致的训练对于确保机器学习增强型RANS与LES模型保持物理解释性与泛化能力至关重要。
• 在训练数据有限时，物理信息先验与约束可显著提升模型的可靠性。
• 精心设计的特征空间可增强模型在不同流动构型间泛化的能力。
• 通过有针对性的数据高效训练策略，可实现对完整DNS数据依赖的降低。
• 具备泛化能力的机器学习增强型湍流模型需要流体力学、计算科学与机器学习领域的跨学科协作。
• 将物理定律整合到机器学习框架中，可防止出现非物理解释的预测，提升模型鲁棒性。