基于S4与S4ND多维状态空间序列模型的亚格子应力建模

《Journal of Fluid Mechanics》:Subgrid stress modelling with multidimensional state space sequence models

【字体: 大 中 小 】 时间:2026年08月28日 来源:Journal of Fluid Mechanics 4.2

编辑推荐:

  近几十年计算能力的增长使得大涡模拟(LES)日益可行,而亚格子应力(SGS)建模对LES精度影响重大。一类新型神经网络模型S4与S4ND允许学习离散数据集的连续表示,从而为在神经网络亚格子应力建模中纳入网格依赖性提供了原则性途径。研究人员提出一种S4ND U-

  
近几十年计算能力的增长使得大涡模拟(LES)日益可行,而亚格子应力(SGS)建模对LES精度影响重大。一类新型神经网络模型S4与S4ND允许学习离散数据集的连续表示,从而为在神经网络亚格子应力建模中纳入网格依赖性提供了原则性途径。研究人员提出一种S4ND U-Net神经网络架构,并在受迫均匀各向同性湍流(HIT)与槽道流上训练。先验测试中,该架构能外推至比训练集更粗的网格间距,而更简单的人工神经网络(ANN)模型失效。在受迫HIT与槽道流上的后验测试表明,在训练集网格尺寸下S4ND模型优于传统模型及基于ANN的模型;该模型还能稳健后验外推至比训练集更粗的网格尺寸,且比许多传统亚格子应力模型更准确。最后,该模型在递增雷诺数(Re)流动中评估,即便Re比训练集大500000倍仍保持稳定。
研究背景方面,大涡模拟通过求解滤波不可压缩Navier–Stokes方程模拟大尺度含能涡,将小尺度结构效应归为亚格子应力张量τij=uiuj?uiuj进行建模。传统模型如静态Smagorinsky模型、动态Smagorinsky模型、sigma模型属泛函型,侧重能量耗散稳定;Clark梯度模型、尺度相似模型属结构型,追求与τij高相关却常致LES失稳。近年数据驱动模型多用ANN或简单CNN,虽在细网格(DNS间距4–16倍)有效,但难以泛化至比训练更粗网格,且缺乏连续几何偏置。因典型CNN离散卷积不感知网格间距Δg,无法随滤波宽度自适应谱内容,故研究人员引入结构化状态空间序列(S4)及其多维扩展S4ND,以连续卷积核显式纳入Δg,解决粗网格外推难题。该文发表于《Journal of Fluid Mechanics》。
关键技术方法上,研究人员从Johns Hopkins Turbulence Database抽取受迫HIT与槽道流直接数值模拟(DNS)数据,以Δg=16ΔDNS及另一滤波宽度生成训练样本,计算τij真值。网络以速度梯度张量加应变率与旋转率模共11通道为输入,主体用U-Net结构替换离散卷积为S4ND块(状态维8,带限参数α=0.1),后端分两路预测头分别以1×1×1卷积输出8个系数乘张量基(TBNN)得τij的“幅值”与“结构”部分;输入做最大最小归一化至[?1,1],输出以Clark梯度模型乘各向异性网格因子f归一化。训练采用包含先验MSE的后验约束损失。
研究结果按原文小节归纳如下。
数值与神经网络细节节指出,LES控制方程为滤波连续性方程与动量方程,未封闭项τij需建模;S4用一维状态空间x?=Ax+Bu、y=Cx+Du,经双线性离散得含Δ的?,B?,C?,使离散数据下学习连续表示;S4ND在各空间维实例化S4并取张量外积得连续卷积核,按Δg离散化卷积,带限屏蔽anΔg>0.5α的伪频率,与LES中Nyquist数kc=π/Δg低通一致,提供滤波一致性归纳偏置。
神经网络架构节说明,TBNN以τij=F(S?ij,R?ij)展开8项张量基,输入改用速度梯度张量避免不变量高次幂混叠;整体S4ND U-Net下采样用平均池化,末端分两预测头各出8系数乘同一张量基分别合成为幅值与结构,再用1×1×1卷积替代全连接以适应变域尺寸。
神经网络训练细节节交代,训练数据源自JHTDB的HIT与槽道流DNS,滤波至Δg=16ΔDNS等宽度,真值τij由DNS双重滤波求得;损失结合先验张量误差与后验LES可运行约束。
结论讨论部分翻译总结:研究人员提出S4ND U-Net嵌入TBNN的亚格子应力模型,在先验中外推至比训练粗的Δg而ANN失效;后验在HIT与槽道流训练集网格上精度超传统与ANN/CNN模型,且无需重训即可后验外推更粗网格,优于多数传统SGS模型;在Re递增测试中,模型在Re达训练集500倍时仍准确外推网格,在Re超训练集500000倍时保持数值稳定。该连续状态空间架构赋予神经网络网格间距感知与带限滤波一致性,使数据驱动闭合在未知粗网格与高Re下具备鲁棒泛化,为LES亚格子建模提供新方向。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号