Eine Perspektive auf maschinelles Lernen Methoden in der Turbulenzmodellierung

Zusammenfassung Diese Arbeit präsentiert einen Überblick über den aktuellen Stand der Forschung zu datengestützten Turbulenzschlussmodellen. Sie bietet eine Perspektive auf die Herausforderungen und offenen Fragen, aber auch auf die Vorteile und Versprechungen von Methoden des maschinellen Lernens (ML), die auf die Parameterschätzung, Modellidentifikation, Rekonstruktion von Schlussgliedern und darüber hinaus angewendet werden, hauptsächlich aus der Perspektive der großen Wirbel-Simulation und verwandter Techniken. Wir betonen, dass die Konsistenz der Trainingsdaten, des Modells, der zugrunde liegenden Physik und der Diskretisierung ein zentrales Thema ist, das für eine erfolgreiche ML-unterstützte Modellierungsstrategie berücksichtigt werden muss. Um die Diskussion für Nicht-Experten in beiden Bereichen nützlich zu gestalten, führen wir sowohl das Modellierungsproblem in der Turbulenz als auch die prominenten ML-Paradigmen und -Methoden in einer prägnanten und konsistenten Weise ein. In dieser Studie präsentieren wir eine Übersicht über die aktuellen datengestützten Modellkonzepte und -methoden, heben wichtige Entwicklungen hervor und setzen sie in den Kontext der diskutierten Herausforderungen.