RANS-PINN based Simulation Surrogates for Predicting Turbulent Flows

要約

物理情報に基づいたニューラル ネットワーク (PINN) は、微分方程式によって支配される動的システムの代理モデルを構築するためのフレームワークを提供します。
学習プロセス中に、PINN は損失関数内に物理ベースの正則化項を組み込み、汎化パフォーマンスを強化します。
偏微分方程式 (PDE) によって制御されるダイナミクスのシミュレーションは計算コストが高くなる可能性があるため、ナビエ・ストークス方程式によって支配される流体の流れ問題のパラメトリック代理を学習する際に PINN が人気を集めています。
この研究では、高レイノルズ数の乱流領域の流れ場 (つまり、速度と圧力) を予測するために、修正された PINN フレームワークである RANS-PINN を導入します。
乱流によって生じるさらなる複雑さを考慮するために、RANS-PINN では、レイノルズ平均ナビエ ストークス (RANS) 定式化に基づく 2 方程式渦粘性モデルを採用しています。
さらに、損失関数のさまざまなコンポーネント間の効果的な初期化とバランスを確保する新しいトレーニング アプローチを採用します。
次に、RANS-PINN フレームワークの有効性が、パラメトリック PINN を使用して実証されます。

要約(オリジナル)

Physics-informed neural networks (PINNs) provide a framework to build surrogate models for dynamical systems governed by differential equations. During the learning process, PINNs incorporate a physics-based regularization term within the loss function to enhance generalization performance. Since simulating dynamics controlled by partial differential equations (PDEs) can be computationally expensive, PINNs have gained popularity in learning parametric surrogates for fluid flow problems governed by Navier-Stokes equations. In this work, we introduce RANS-PINN, a modified PINN framework, to predict flow fields (i.e., velocity and pressure) in high Reynolds number turbulent flow regimes. To account for the additional complexity introduced by turbulence, RANS-PINN employs a 2-equation eddy viscosity model based on a Reynolds-averaged Navier-Stokes (RANS) formulation. Furthermore, we adopt a novel training approach that ensures effective initialization and balance among the various components of the loss function. The effectiveness of the RANS-PINN framework is then demonstrated using a parametric PINN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google