[论文解读] Construction of low-dimensional system reproducing low-Reynolds-number turbulence by machine learning

Masaki Shimizu, Genta KAWAHARA|arXiv (Cornell University)|Mar 22, 2018

Fluid Dynamics and Turbulent Flows被引用 3

一句话总结

本文提出一种机器学习方法，用于构建低维动力系统，以精确再现平面Couette流中的低雷诺数湍流。通过使用核分位数回归（kernel quantile regression）在直接数值模拟（DNS）数据上进行训练，该方法为一组物理意义明确的变量（如动能和涡量）推导出精确的映射函数，从而实现高保真度、计算高效的湍流轨迹与关键流动量预测，且误差极小。

ABSTRACT

In a dissipative system, there exists the (global) attractor which has finite fractal dimensions. The flow on the attractor can be parametrized by a finite number of parameters (Temmam 1987). Using machine learning we demonstrate how to construct precise low-dimensional governing equations which are valid in some range of Reynolds number for low-Reynolds-number turbulence in plane Couette flow.

研究动机与目标

• 开发一种数据驱动的低维动力系统，以精确再现平面Couette流中低雷诺数湍流的吸引子动力学。
• 证明有限组物理相关的变量（如动能、涡量）可完全参数化湍流吸引子。
• 在显著低于直接数值模拟（DNS）计算成本的前提下，实现对湍流轨迹与流动量的高精度预测。
• 探索关键物理量（如涡量）与低维状态变量之间的函数关系，揭示相空间的内在结构。

提出的方法

• 训练数据来自在周期性边界条件下求解不可压Navier–Stokes方程的直接数值模拟（DNS）。
• 系统的状态由M个空间平均变量表示（如 $E_y = \langle u_y^2 \rangle_{xyz}$, $E_z = \langle u_z^2 \rangle_{xyz}$, $I = \langle \Delta \mathbf{u}^2 \rangle_{xyz}$, $W = \text{总涡量}$）。
• 通过R语言包kernlab中的核分位数回归（kqr）进行多重回归，构建低维映射，正则化参数 $C$ 在 $[100, 1000]$ 范围内调优。
• 学习映射 $X_i^{n+1} = \tilde{F}_i(X_1^n, \dots, X_M^n)$，以在离散时间步长上预测下一状态。
• 通过在测试集上将预测轨迹（如涡量 $W$）与具有相同初始条件的DNS数据对比，对模型进行验证。
• 学习函数关系 $\tilde{W}(E_x, E_y, E_z, I)$，以将涡量作为状态变量的函数进行预测，从而支持相空间分析。

实验结果

研究问题

• RQ1 能否从DNS数据中构建一个低维动力系统，以精确再现平面Couette流中低雷诺数湍流的吸引子动力学？
• RQ2 参数化高保真度湍流吸引子所需的最少物理意义明确的变量集合是什么？
• RQ3 机器学习在仅使用少数状态变量的情况下，能否高精度预测长期湍流轨迹与关键流动量（如涡量）？
• RQ4 当涡量表示为能量、涡量与输入的函数时，低维系统中的相空间结构如何？
• RQ5 所构建的低维系统是否保留了全DNS中观察到的分岔结构（如周期倍化级联）？

主要发现

• 在 $Re = 170$ 时，采用 $E_y$ 和 $E_z$ 作为状态变量的二维映射能再现周期轨道，且 $L_2$ 误差随训练样本数 $N$ 增加而减小，最终趋于依赖正则化与时间分辨率的下限。
• 当 $N = 500$ 时，低维系统预测的总涡量 $W$ 轨迹在500个时间步长内与DNS轨迹高度吻合。
• 在 $Re = 183.1$ 时，所构建的函数 $\tilde{W}(E_x, E_y, E_z, I)$ 在整个吸引子上对总涡量的预测具有高精度，经与DNS数据对比验证。
• 在Poincaré截面 $E_z = 0.005$ 上，$\tilde{W}$ 对能量输入 $I$ 展现出平滑且单调的依赖关系，表明相空间中存在局部化且简单的结构。
• 吸引子中高涡量状态在相空间中高度局域化，表明极端湍流状态在低维流形中占据极小区域。
• 低维系统成功再现了全Navier–Stokes系统中观察到的分岔图（如通过周期倍化引发混沌的 onset），模型的红色符号与DNS的黑线高度一致。