[论文解读] Uncertainty Quantification of the time averaging of a Statistics Computed from Numerical Simulation of Turbulent Flow

Pooriya Beyhaghi, Shahrouz Alimohammadi+1 more|arXiv (Cornell University)|Feb 4, 2018

Probabilistic and Robust Engineering Design参考文献 25被引用 5

一句话总结

本文提出了一种多尺度、渐近无偏的不确定性量化（UQ）方法，用于估计湍流在有限时间平均统计量中的期望平方误差。通过在多个时间尺度上建模自相关结构，并确保收敛行为与真实系统一致，该方法在长周期模拟中显著优于现有方法，展现出湍流统计量UQ的更高精度。

ABSTRACT

Rigorous assessment of the uncertainty is crucial to the utility of numerical simulation of Turbulent flow. The Turbulent flows are often stationary and ergodic, after some initial transient time. Therefore, the time averaged of a quantity (velocity, TKE (turbulence kinetic energy), total drag, etc) converges to a constant as the averaging interval increases. This infinite-time-average statistic is of particular interest in many problems, such as aerodynamic shape optimization. Since taking an average over the infinite time horizon is not possible, some finite-time approximation of the infinite-time-average statistic of interest is used in practice. However, because of the initial transient behavior of the turbulence simulations, this estimate is biased. This issue is solved by deleting the initial transient part of the simulation. The other important issue is the error of this approximation decreases slowly, like the reciprocal of the square roots of the averaging time. In this paper, we develop a framework to first automatically deleted the transient part of a turbulence simulation, then, quantify precisely the uncertainty of such a finite-time-average approximation of an infinite-time-average statistic of a stationary and ergodic process.

研究动机与目标

• 解决在统计平稳、遍历的湍流中，对有限时间平均统计量进行不确定性量化的关键挑战。
• 克服现有UQ方法在模拟长度增加时精度下降的局限性。
• 开发一种渐近无偏的方法，确保期望平方平均误差以 $ Q/\sqrt{N} $ 的速率收敛，与真实系统行为一致。
• 通过实现准确、自适应采样，提升湍流统计量无导数优化中的计算效率。
• 提供一种稳健、数据驱动的UQ框架，适用于混沌系统（如湍流），并已实现实际应用。

提出的方法

• 构建一个在广泛时间尺度上与数据匹配的多尺度自相关模型，以捕捉长记忆性和相关动力学。
• 使用最大似然估计（MLE）将自回归模型（测试中为AR(18)）拟合到时间序列，从而准确估计完整的自相关结构。
• 应用瞬态检测算法，识别并移除UQ计算前的初始非平稳行为。
• 使用改进的标准误公式估计期望平方平均误差，结合拟合模型中的有效去相关时间尺度。
• 通过使模型的收敛速率（$ Q/\sqrt{N} $）与真实底层过程一致，确保渐近无偏性。
• 通过与长周期模拟中精确计算的误差对比，验证该方法，使用已知的 $ \mu $、$ \sigma $ 和 $ \rho(k) $ 值。

实验结果

研究问题

• RQ1 当样本相关且非独立同分布时，如何量化湍流中有限时间平均统计量的不确定性？
• RQ2 能否开发一种UQ方法，在广泛模拟长度范围内保持精度，并保持渐近无偏性？
• RQ3 所提出的多尺度UQ方法与现有方法相比，特别是在长周期模拟条件下表现如何？
• RQ4 该方法在捕捉混沌湍流系统真实平均误差方面，相较于基于MLE的UQ方法改进程度如何？
• RQ5 该方法能否在实际湍流模拟（如通道流的DNS）中有效应用，且计算成本可控？

主要发现

• 所提出的UQ方法在估计期望平方平均误差方面，显著优于[3]中基于MLE的方法，尤其在样本数 $ N $ 增大时表现更优。
• 对于 $ Re_{\tau} = 180 $ 的通道流DNS，该方法的误差估计与通过更长周期模拟计算出的真实误差高度吻合，展现出高精度。
• 该方法实现了渐近无偏性，即其期望平方误差以与真实系统相同的速率 $ Q/\sqrt{N} $ 收敛，而这一特性在竞争方法中无法保证。
• 多尺度自相关模型有效捕捉了湍流信号中的长程相关性，使得UQ结果比依赖单一积分时间尺度的方法更可靠。
• 该方法在多种测试案例中表现稳健，包括AR(6)过程、Kuramoto-Sivashinsky方程以及通道流的直接数值模拟。
• 该UQ方法及瞬态检测器的开源Python实现已公开发布于 https://github.com/salimoha/uq.git，支持可复现性，并可集成至优化工作流中。