Inferring turbulent velocity and temperature fields and their statistics from Lagrangian velocity measurements using physics-informed Kolmogorov-Arnold Networks

要約

我々は、実験的な乱流速度データから隠れた温度場を推測するための人工知能流速測定・温度測定（AIVT）法を提案します。
この物理学に基づいた機械学習手法により、まばらな速度データのみを使用して連続温度場を推測できるため、直接温度測定の必要がなくなります。
具体的には、AIVT は物理学に基づいたコルモゴロフ・アーノルド ネットワーク (ニューラル ネットワークではない) に基づいており、速度データ、境界条件、支配方程式の残差を最小限に抑える複合損失関数を最適化することでトレーニングされます。
私たちは、粒子画像温度測定とラグランジュ粒子追跡を組み合わせて取得した、レイリー・ベナード対流 (RBC) の実験的体積データと同時温度および速度データの独自のセットに AIVT を適用します。
これにより、AIVT の予測と測定値を直接比較することができます。
私たちは、乱流の直接数値シミュレーション (DNS) に匹敵する忠実度で、まばらな実験データから連続的および瞬間的な速度場と温度場を再構成して推論できることを実証します。
これにより、変動、粘性と熱散逸、QR 分布など、乱流を定量化するための重要な量を計算できるようになります。
AIVT を使用して実験データを処理し、DNS レベルの忠実度で乱流場を推論するこのパラダイム シフトは、DNS が計算的に実行不可能である高レイノルズ数での乱流の定量的理解の行き詰まりを打破するための有望な手段となります。

要約(オリジナル)

We propose the Artificial Intelligence Velocimetry-Thermometry (AIVT) method to infer hidden temperature fields from experimental turbulent velocity data. This physics-informed machine learning method enables us to infer continuous temperature fields using only sparse velocity data, hence eliminating the need for direct temperature measurements. Specifically, AIVT is based on physics-informed Kolmogorov-Arnold Networks (not neural networks) and is trained by optimizing a combined loss function that minimizes the residuals of the velocity data, boundary conditions, and the governing equations. We apply AIVT to a unique set of experimental volumetric and simultaneous temperature and velocity data of Rayleigh-B\’enard convection (RBC) that we acquired by combining Particle Image Thermometry and Lagrangian Particle Tracking. This allows us to compare AIVT predictions and measurements directly. We demonstrate that we can reconstruct and infer continuous and instantaneous velocity and temperature fields from sparse experimental data at a fidelity comparable to direct numerical simulations (DNS) of turbulence. This, in turn, enables us to compute important quantities for quantifying turbulence, such as fluctuations, viscous and thermal dissipation, and QR distribution. This paradigm shift in processing experimental data using AIVT to infer turbulent fields at DNS-level fidelity is a promising avenue in breaking the current deadlock of quantitative understanding of turbulence at high Reynolds numbers, where DNS is computationally infeasible.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google