XiaoMi-AI文件搜索系统
World File Search System湍流
使用基于傅立叶神经操作员的机器学习策略对湍流通道流的预测
在科学和工程场中，快速准确的湍流预测非常重要。在本文中，我们研究了隐式U-NET增强的傅立叶神经操作员（IUFNO），以稳定地预测三维（3D）湍流流的长期动力学。训练有素的IUFNO模型在三个摩擦雷诺数的粗网格的大涡模拟（LES）中进行了测试：re τ≈180、395和590。所采用的近壁网格比壁溶解的LES的一般要求更明显。与原始的傅立叶神经操作员（FNO），隐式FNO（IFNO）和U-NET增强的FNO（UFNO）相比，IUFNO模型具有更好的长期预测能力。数值实验表明，IUFNO框架在预测各种流量统计统计和结构的预测中，超过了传统的动态Smagorinsky模型和壁适应的本地涡流粘度模型，包括平均值和功能，包括均值和流动性速度，概率密度的功能（PDFS）和关节功能（pdfs）和关节效率。 pro文件，动能谱和Q标准（涡旋结构）。同时，训练有素的IUFNO模型在计算上比传统的LES模型快得多。因此，IUFNO模型是快速预测壁构成的湍流的有希望的方法。
光学湍流建模的有效基准
早期在线发布：此初步版本已被《地球系统人工智能》接受发表，可完整引用，并已指定 DOI 10.1175/AIES-D-24-0003.1。最终排版编辑文章将在出版时取代上述 DOI 的 EOR。
从零到湍流：3D流模拟的生成建模
tl; dr3D中的湍流不仅仅是“只有一个维度”自回归模型努力通过时间跟踪复杂的涡旋结构生成的建模使我们可以直接从流量状态的流动状态中进行样品，从而在跟踪问题
粘弹性湍流中分散纤维的动力学......
本研究探索了粘弹性湍流中自由悬浮的有限尺寸纤维的动力学。对于悬浮在牛顿流体中的纤维，Rosti 等人确定了两种不同的拍动方式（Phys. Rev. Lett.，第 121 卷，第 4 期，2018 年，044501）：一种由流动的时间尺度主导，另一种由与其固有频率相关的时间尺度主导。我们在这项研究中探索了纤维动力学如何受到载体流体弹性的影响。为此，我们在参数空间中对双向耦合纤维-流体系统进行直接数值模拟，该参数空间涵盖不同的 Deborah 数、纤维弯曲刚度（柔性到刚性）以及纤维与流动之间的线密度差（中性浮力到密度大于流体的纤维）。我们研究了这些参数如何影响各种纤维特性，例如拍打频率、曲率以及与流体应变和聚合物拉伸方向的对齐。结果表明，中性浮力纤维根据其柔性，会随着流动而发生大时间尺度和小时间尺度的振荡，但随着聚合物弹性的增加，较小的时间尺度会受到抑制。聚合物拉伸对密度大于流体的纤维没有影响，当其柔性时，它会随着流动而发生大时间尺度的拍打，而当其刚性时，它会以其固有频率拍打。因此，当纤维呈中性浮力时，特征弹性时间尺度具有次要影响，而当纤维变得更具惯性时，其影响则不存在。此外，我们还探索了纤维的弯曲曲率及其与流动的优先对齐，以确定粘弹性在改变耦合流体结构动力学中的其他作用。惯性纤维的曲率较大，对聚合物存在的反应较弱，而中性浮力纤维则表现出定量变化。密度较大的纤维的可察觉的被动性再次反映在它们优先与聚合物拉伸方向对齐的方式中：与聚合物拉伸方向相比，中性浮力纤维与聚合物拉伸方向的对齐程度更高。
关于土地湍流的可预测性
Matthias Cuntz 14，David Fairbairn 10，Craig R. Keith Oleson 19，Heather Rumbold 8，Heather Rumbold 8，Heather Rumbold Wang-Faivre 23，Yunfei Wang 24，Yuijian Zeng 24
计算机视觉算法用于表征湍流气流喷气机的表征
摘要：开发了一种计算机视觉算法，以确定以5-10 m/s范围内以速度行驶的水气体混合物的两相湍流射流的参数，以评估实时质量交换设备的流体动力效率，并预测汽油汇率。该算法基于阈值分割，主动轮廓方法，主成分方法的回归和特征叠加层的比较，这可以稳定地确定喷气边界，并且在使用低质量数据时是一种比传统的方法更有效的方法。基于喷气机的高速视频记录，提出的算法允许计算Jet的关键特征：速度，入射角，结构密度等。讨论了算法的描述和基于在喷气生物反应器的实验原型上创建的真实喷气机的视频记录的测试应用程序。将结果与计算流体动力学建模和理论预测进行了比较，并证明了良好的一致性。提出的算法本身代表了喷气生物反应器中曝气器操作的实时控制系统的基础，并在实验室喷射流安装中使用，用于积累有关JET的结构和动态性能的大数据。
使用平铺阵列进行深湍流相位补偿
摘要：平铺阵列使用模 2 π 相位补偿和相干光束组合来校正深湍流的影响。因此，本文使用波动光学模拟将平铺阵列的闭环性能与分支点容忍相位重构器（称为 LSPV + 7 [ Appl. Opt. 53 , 3821 (2014)]）进行比较。波动光学模拟利用点源信标，并设置为从弱到强的闪烁条件。此设置可以进行权衡空间探索，以支持与 LSPV + 7 进行功率桶内比较。反过来，结果表明，在从弱闪烁条件过渡到强闪烁条件时，平铺阵列的表现优于 LSPV + 7。对于那些希望解决自适应光学中的分支点问题的人来说，这些结果既令人鼓舞又具有启发性。
湍流触摸：驾驶舱飞行显示器的触摸屏输入
摘要 商用飞机驾驶舱中的触摸屏输入具有潜在优势，包括易于使用、可修改和减轻重量。然而，对湍流的耐受性是其部署的挑战。为了更好地了解湍流对驾驶舱输入方法的影响，我们对三种输入方法的用户性能进行了比较研究——触摸、轨迹球（目前在商用飞机中使用）和旨在帮助手指稳定的触摸屏模板覆盖。在各种交互式任务和三种模拟湍流水平（无、低和高）下比较了这些输入方法。结果表明，随着振动的增加，性能下降，主观工作量增加。当精度要求较低时（在所有振动下），基于触摸的交互比轨迹球更快，但对于更精确的指向，尤其是在高振动下，它更慢且更不准确。模板没有改善触摸选择时间，尽管它确实减少了高振动下小目标的错误，但只有当手指抬起错误通过超时消除时才会发生。我们的工作为受湍流影响的任务类型以及在不同振动水平下表现最佳的输入机制提供了新的信息。
湍流触摸：驾驶舱飞行显示器的触摸屏输入
摘要 商用飞机驾驶舱中的触摸屏输入具有潜在优势，包括易于使用、可修改和减轻重量。但是，对湍流的耐受性是其部署的挑战。为了更好地了解湍流对驾驶舱输入方法的影响，我们对三种输入方法的用户性能进行了比较研究——触摸、轨迹球（目前在商用飞机中使用）和旨在帮助手指稳定的触摸屏模板覆盖。在各种交互式任务和三个模拟湍流级别（无、低和高）下比较了这些输入方法。结果表明，随着振动的增加，性能下降，主观工作量增加。当精度要求较低（在所有振动下）时，基于触摸的交互比轨迹球更快，但对于更精确的指向，尤其是在高振动下，它的速度较慢且准确性较低。模板并没有改善触摸选择时间，尽管它确实减少了高振动下小目标的错误，但只有当手指抬起错误通过超时消除时才会发生这种情况。我们的工作提供了有关受湍流影响的任务类型以及在不同振动水平下表现最佳的输入机制的新信息。
深度学习在湍流中的应用
摘要 本论文研究了深度学习和深度强化学习在湍流模拟中的应用。深度学习模型经过训练可以进行时间和空间预测，而深度强化学习则应用于流量控制问题，即减少明渠流中的阻力。长短期记忆 (LSTM, Hochreiter & Schmidhuber 1997) 网络和 Koopman 非线性强迫 (KNF) 模型经过优化，可以在两种降阶湍流模型中执行时间预测，即 Moehlis 等人 (2004) 提出的九方程模型和最小通道流的截断适当正交分解 (POD) (Jim´enez & Moin 1991)。在第一个应用中，这两个模型都能够产生准确的短期预测。此外，预测的系统轨迹在统计上是正确的。KNF 模型在短期预测方面优于 LSTM 网络，并且训练计算成本低得多。在第二个任务中，只有 LSTM 可以成功训练，预测出统计上准确的轨迹。空间预测是在两种湍流中进行的：明渠流和边界层流。全卷积网络 (FCN) 用于使用壁面测量值预测给定壁面法线位置的二维速度波动场（反之亦然）。由于这些模型的非线性特性，它们提供了比扩展 POD（Bor'ee 2003）等最佳线性方法更好的重建性能。最后，我们展示了深度强化学习在发现湍流新控制策略方面的潜力。通过将流体动力学问题构建为多智能体强化学习环境，并使用位置不变的深度确定性策略梯度 (DDPG) 算法训练智能体，我们能够学习一种控制策略，该策略可显著减少 30% 的阻力，比现有策略提高约 10 个百分点。