检索结果-南通市图书馆

航空学报 2021年第9期42卷 145-160页

作者：谢晨月王建春万敏平陈十一南方科技大学工学院力学与航空航天工程系深圳518055 南方科技大学粤港澳数据驱动下的流体力学与工程应用联合实验室深圳518055

在国家数值风洞(NNW)工程项目的指导下,空间人工神经网络(SANN)模型被用于强可压缩湍流大涡模拟(LES)研究,其中流场的湍流马赫数分别为0.6、0.8、1.0。基于湍流的多尺度空间结构特性和人工神经网络方法发展的高精度空间神经网络(SANN)... 详细信息

在国家数值风洞(NNW)工程项目的指导下,空间人工神经网络(SANN)模型被用于强可压缩湍流大涡模拟(LES)研究,其中流场的湍流马赫数分别为0.6、0.8、1.0。基于湍流的多尺度空间结构特性和人工神经网络方法发展的高精度空间神经网络(SANN)模型适用于不可压缩湍流和弱可压缩湍流。对于强可压缩湍流,流场中会出现激波结构,给大涡模拟带来了挑战。本文的研究结果表明:SANN模型适用于强可压缩湍流的大涡模拟。在先验分析中,SANN模型预测的亚格子应力和亚格子热流的相关系数超过0.995,远远高于梯度模型和近似反卷积模型等传统模型;传统模型的相对误差大于30%,而SANN模型在这方面有很大的改进,相对误差低于11%。在后验分析中,与隐式大涡模拟(ILES)、动态Smagorinsky模型(DSM)、动态混合模型(DMM)相比,SANN模型能更精确地预测能谱、各类湍流统计特性以及瞬态流动结构。因此,基于湍流多尺度空间结构特性的人工神经网络模型加深了人们对强可压缩湍流亚格子建模的认识,同时可以服务于NNW工程的流体力学模型构造。

关键词：可压缩湍流大涡模拟人工神经网络湍流模型国家数值风洞(NNW)工程

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

Reservoir-Computing-Based Recurrent Neural Network to Forecast Large Turbulent Systems

Reservoir-Computing-Based Recurrent Neural Network to Foreca...

引用

第十二届全国流体力学学术会议

作者： Gupta Vikrant 万敏平广东省湍流研究与应用重点实验室南方科技大学南方科技大学机械与航空航天工程系 guangdong-hong kong-macau joint laboratory for data-driven fluid mechanics and engineering applications南方科技大学

Availability of large datasets and increase in computational resources has renewed the interest in application of artificial intelligence to forecast turbulent systems, including the challenging meteorological phenomena governing our weather and climate systems. Turbulent systems involve nonlinear interactions between a wide range of length-and time-scales, which render them a very large number of features. Deep learning networks are thus usually extremely slow at learning these systems. In contrast, single hidden layer reservoir-computing-based(RC) networks are shown to perform better than deep learning networks at forecasting turbulent systems. RC networks, however, use the knowledge about the system dynamics, such as the form of nonlinearity in the governing equations, and require the full state-vector measurements for their implementation. Thus, severely limiting their application to practical systems in nature and engineering where neither the full state-vector nor the governing equations are available. We show that implementation of radial basis functions to project the measurable quantities to a higher-dimensional space and then using an RC network enables the network to robustly capture the complex nonlinearities in the system. We use Gray-Scott equation as our example system for which we limit the measurements to concentration of a single species. We demonstrate the first successful implementation of the RC network to forecast a large turbulent system without requiring the knowledge of the form of nonlinearity and of the full state-vector measurements. Thus, paving the way to model-free forecasting of large turbulent systems in nature and engineering.

关键词： Machine learning Turbulence Model-free method Forecasting Recurrent Neural Network

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：