[论文解读] A Comprehensive Physics-Informed Machine Learning Framework for Predictive Turbulence Modeling

Jianxun Wang, Jinlong Wu+3 more|arXiv (Cornell University)|Jan 24, 2017

Model Reduction and Neural Networks参考文献 24被引用 40

一句话总结

本文提出了一种物理信息机器学习（PIML）框架，通过从高保真数据中学习雷诺应力差异，以改进雷诺平均N-S方程（RANS）湍流建模。通过在输入特征中引入完整性不变量，并将校正后的雷诺应力通过RANS方程传播，该方法在训练数据范围之外的更高雷诺数条件下，成功预测了方形通道中的雷诺应力和平均速度场，展示了超越逐点应力校正的预测能力。

ABSTRACT

Although an increased availability of computational resources has enabled high-fidelity simulations of turbulent flows, the RANS models are still the dominant tools for industrial applications. However, the predictive capabilities of RANS models are limited by potential inaccuracy driven by hypotheses in the Reynolds stress closure. Recently, a Physics-Informed Machine Learning (PIML) approach has been proposed to learn the functional form of Reynolds stress discrepancy in RANS simulations based on available data. It has been demonstrated that the learned discrepancy function can be used to improve Reynolds stresses in different flows where data are not available. However, owing to a number of challenges, the improvements have been demonstrated only in the Reynolds stress prediction but not in the corresponding propagated quantities of interest. In this work, we introduce the procedures toward a complete PIML framework for predictive turbulence modeling, including learning Reynolds stress discrepancy function, predicting Reynolds stresses in different flows, and propagating to mean flow fields. The process of Reynolds stress propagation and predictive accuracy of the propagated velocity field are investigated. To improve the learning-prediction performance, the input features are enriched based on an integrity basis of invariants. The fully developed turbulent flow in a square duct is used as the test case. The discrepancy model is trained on flow fields obtained from several Reynolds numbers and evaluated on a duct flow at a Reynolds number higher than any of the training cases. The predicted Reynolds stresses are propagated to velocity field through RANS equations. Numerical results show excellent predictive performances in both Reynolds stresses and their propagated velocities, demonstrating the merits of the PIML approach in predictive turbulence modeling.

研究动机与目标

• 开发一个完整的PIML框架，将先前的a priori雷诺应力校正扩展为对平均流场的预测建模。
• 解决现有数据驱动方法的局限性，即无法将改进的雷诺应力传播到速度等有意义的物理量上。
• 通过在输入特征空间中引入物理不变量，提升模型学习性能，增强在不同流动条件下的泛化能力。
• 在典型湍流流动——方形通道中的充分发展湍流——上验证该框架，覆盖不同雷诺数范围。

提出的方法

• 该框架使用随机森林回归器，学习RANS预测与高保真（DNS）雷诺应力之间的差异。
• 通过从原始平均流变量（如应变率、旋转率）构建完整性基底，丰富输入特征，以提升泛化能力和物理一致性。
• 训练后的差异模型可预测未见流动中的雷诺应力校正，包括训练数据中未包含的更高雷诺数情况。
• 将校正后的雷诺应力通过RANS方程传播，以预测平均速度场。
• 该方法整合了可实现性与对称性等物理约束，确保预测结果具有物理意义。
• 该框架在方形通道中的充分发展湍流中得到验证，训练数据来自较低雷诺数，测试则针对更高雷诺数。

实验结果

研究问题

• RQ1 在低雷诺数流动上训练的数据驱动模型，能否准确预测相同几何结构下更高雷诺数流动中的雷诺应力差异？
• RQ2 将校正后的雷诺应力通过RANS方程传播后，是否能相比基线RANS模型，显著提升平均速度场的预测精度？
• RQ3 在输入特征中引入物理不变量，对湍流建模中机器学习模型的泛化能力与预测精度有何影响？
• RQ4 该PIML框架在多大程度上能确保雷诺应力场的平滑与物理解释一致性，从而支持稳定的速度场传播？
• RQ5 该框架能否推广至除单一管道几何外的多种流动构型？

主要发现

• PIML框架成功预测了训练数据范围之外更高雷诺数下方形通道中的雷诺应力，展示了超越训练数据范围的外推能力。
• 校正后的雷诺应力显著提升了预测的平均速度场精度，数值结果与高保真参考数据高度一致。
• 与原始物理坐标相比，使用完整性不变量基底作为输入特征能显著提升模型的泛化能力与预测精度。
• 该框架实现了对雷诺应力及其传播后速度场的精确预测，表明PIML方法可用于预测性湍流建模，而不仅限于a priori校正。
• 本研究识别出机器学习预测中的非光滑性是影响速度场稳定传播的关键挑战，建议未来工作应引入空间相关性结构以增强平滑性。
• 该方法表明，物理信息机器学习能够有效弥合数据驱动学习与物理一致性之间的鸿沟，实现在复杂湍流流动中的可靠预测。