跳到主要内容
返回时间线
National Science Review来源发表:

湍流建模不再一律上AI:按自由度与非平衡度分四类,局部闭包只在无序复杂区可靠

核心概要

湍流建模的AI部署有了按物理分区的前置判据。此前数据驱动的雷诺平均闭包被当作通用映射,跨几何与强迫条件外推时常失效,而尺度解析模拟又代价高昂。该框架用自由度与偏离平衡程度两个轴把湍流分成四类,指出局部机器学习闭包只在近平衡的无序复杂区可迁移,强相干结构区必须显式解析尺度,并说明物理信息神经网络适合低自由度、强非平衡的确定性流动。

Source-provided article image: AI Meets Turbulence Modeling: Complex Systems Perspective
Figure 1 · arXiv · 第 4 页

深度剖析

湍流中该不该用机器学习闭包,取决于流动本身是否允许粗粒化的统计描述,而不是模型容量或数据量。 此前数据驱动的雷诺平均闭包被当作从局部平均流统计量到未解析雷诺应力的通用映射,跨几何或强迫条件外推时可能严重失效。 该判据来自把未解析应力按Mori–Zwanzig投影分解为局部马尔可夫响应、长寿命相干结构的历史记忆项和残余随机强迫三部分,并据此说明局部瞬时闭包只是完整本构泛函的受限形式。

框架用两个物理轴给流动分区,从而给出机器学习方法的选择依据。 传统分类只看几何与雷诺数,即系统的活跃自由度数量,未纳入流动偏离平衡的程度。 两个轴分别是相空间维数即雷诺数,以及形变时间与湍流弛豫时间之比构成的湍流德博拉数;二者张成四区矩阵,对应简单、无序复杂、有序简单和涌现复杂四类流动。

在强相干结构主导的涌现复杂区,局部闭包在数学上不成立,应改为显式解析承载记忆的相干结构。 把局部运动学映射到雷诺应力的做法在该区是非单射的,不同几何可以给出相同局部运动学却对应不同应力。 跨几何聚合训练数据时,最小均方误差意义下的最优预测退化为按各几何出现频率加权的平均应力,产生不满足任何有效控制方程的抹平应力张量,且该贝叶斯误差不可通过增加数据多样性消除。

启示与展望

该框架面向不可压湍流的闭包建模与机器学习方法选择,读者对象是从事计算流体力学与数据驱动建模的研究人员和工程师。它给出的是定性的物理分区,用于判断某类流动是否允许局部统计闭包,以及应选择局部机器学习闭包、物理信息神经网络还是尺度解析模拟。文中指出,建立精确的定量阈值是下一步工作,已有初步工作借助非平衡热力学朝这一目标推进,目标是形成能在现场评估流态、动态选择建模策略的判定器。

分区依据的是定性判据,湍流德博拉数的具体阈值尚未确定,文中将其列为后续工作。记忆核被描述为依赖具体流动构型的涌现算符,因此不同流动的核结构各不相同,这限制了对纯数据驱动闭包的推广。文中还指出,在分布外应用中,神经网络学到的是统计相关而非不变的因果关系,误差可能不受控。