Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics
Hojin Kim, Varun Shankar, Venkatasubramanian Viswanathan, Romit Maulik
不同的物理模拟器被证明是开发计算流体动力学(CFD)数据驱动模型的宝贵工具。 特别是,这些模拟器支持在CFD求解器中嵌入的机器学习(ML)模型的端到端训练。 这种范式使新颖的算法能够将基于物理的模拟的广义能力和低成本与深度学习方法的灵活性和自动化相结合。 在这项研究中,我们引入了一个框架,用于将深度学习模型嵌入到有限元求解器中,用于不可压缩的Navier-Sokes方程,特别是应用这种方法来学习具有图形神经网络(GNN)的子网格尺度(SGS)闭包。 我们首先展示了通过二维向后步骤进行流式传输方法的可行性,并将其用作概念验证,以表明求解器一致性训练产生稳定和物理上有意义的闭包。 然后,我们将其扩展到三维向后向的台阶上的湍流。 在这种设置中,基于GNN的闭包不仅可以获得低预测错误,还可以恢复关键湍流统计并保留多尺度的湍流结构。 我们进一步证明,闭包也可以识别在数据有限的学习场景中。 总体而言,拟议的端到端学习范式为在复杂和非结构化领域进行物理一致和可推广的数据驱动的SGS建模提供了可行的途径。
Differentiable physical simulators are proving to be valuable tools for developing data-driven models for computational fluid dynamics (CFD). In particular, these simulators enable end-to-end training of machine learning (ML) models embedded within CFD solvers. This paradigm enables novel algorithms which combine the generalization power and low cost of physics-based simulations with the flexibility and automation of deep learning methods. In this study, we introduce a framework for embedding de...
