IUFNO

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。