基于卷积神经网络的湍流燃烧空间分辨率重建模型—开题报告
- 课题背景及意义
机器学习（Machine Learning,ML）在近些年来吸引了来自各个学科领域的大量关注，包括自然语言处理、计算机视觉、机器人等。机器学习致力于研究如何通过计算的手段，利用以数据为存在形式的“经验”来改善系统自身的性能。
目前，机器学习方法已成功应用于一系列非线性和无规律的流体流动问题中，利用了其强大的学习能力建立输入和输出数据之间的非线性关系[1–3]。机器学习在雷诺平均湍流模型（Reynolds Averaged Navier–Stokes,RANS）建立[4, 5]，大涡模拟[6, 7]（Large-Eddy Simulations,LES），流体流动动力学建模[8–10]，最优流动控制设计[11, 12]以及重建[13–16]（Reconstruction）方面都有了一定的发展和应用。
如Ling等[17]提出了一种进行RANS建模的张量神经网络模型；Duraisamy等[18]利用多层感知神经网络模型建立RANS精确的闭合模型；Maulik[19]等在大涡模拟中使用盲反褶积方法，利用多层感知预测涡流粘度；Fukami等[20]开发了一种基于机器学习的湍流发生器，这种湍流发生器相较于传统直接数值方法(DNS)，其计算时间约减少约150倍。机器学习的方法同样被Koizumi等[21]用于反馈控制中。
同样，机器学习在重建方面也有越来越成熟的应用和发展。在许多应用中，需要根据有限且可能损坏的测量值来估算流场的结构，或通过已有的低分辨率流场重建得到高分辨率流场。这也正是本课题的研究方向，下面将针对基于机器学习的湍流重建研究进展和现状展开详细的说明。
- 课题研究现状
2018年，Fukami等[13]证明了机器学习技术可以从低分辨率图像重建高分辨率流场。在他们的研究中，将卷积神经网络（Convolutional neural network,CNN）模型和混合降采样跳过连接多尺度（hybrid Downsampled Skip-Connection Multi-Scale,DSC / MS）模型用于超分辨率重建，并用二维圆柱尾迹和二维均匀湍流模拟结果作为测试对象。最终验证得到这两种模型都能够重建层流和湍流流场，其中DSC / MS方法通过低分辨率的输入数据对湍流速度场进行准确重建。
Deng等[15]在2019年使用基于长短期记忆（Long Short-Term Memory ，LSTM）的人工智能框架通过从离散点测量和非时间分辨（non-Time-Resolved，non-TR）粒子图像测速（Particle Image Velocimetry，PIV）测量来实现时间分辨湍流重建。，并提出一种基于LSTM的适当正交分解（Proper Orthogonal Decomposition ，POD）模型，结果表明，基于LSTM的POD模型对基于时间序列的湍流重建具有很大的潜力。
2020年，Fukagata等[22]针对层流流动问题，选择了四种机器学习的方法进行了评估，分别为（1）多层感知器,（2）随机森林,（3）支持向量机，（4）极限学习，此外，将卷积神经网络方法用于超分辨率重建，结果表明，基于卷积神经网络的方法是处理庞大的数据的有力工具（使用过滤器来处理较多维数）。
Erichson等[16]提出了一种基于浅层神经网络（Shallow Neural Networks ，SNNs）的学习方法，从有限的观测特征中进行流体流动的重建。该方法通过学习传感器测量值与高维流体流场之间的端到端映射，而无需对原始数据进行大量的预处理，并且假定没有先验知识可用，纯粹是数据驱动的。结果表明这种方法优于通常用于流量重建的传统模态逼近技术。
