Prédiction et contrôle de la turbulence décadente bidimensionnelle à l'aide de réseaux antagonistes génératifs

Une prédiction précise de la turbulence s'est avérée très coûteuse car elle nécessite un pas de temps infiniment petit pour faire avancer les équations gouvernantes afin de résoudre les mouvements à petite échelle évoluant rapidement. Avec le développement récent de divers algorithmes d'apprentissage machine (ML), la prédiction de turbulence dans un temps fini est devenue l'une des options prometteuses pour alléger la charge computationnelle. Pourtant, une prédiction fiable des mouvements à petite échelle est un défi. Dans cette étude, PredictionNet, un cadre ML basé sur des réseaux antagonistes génératifs (GAN), a été développé pour une prévision rapide de la turbulence avec une grande précision jusqu'à la plus petite échelle en utilisant un nombre relativement restreint de paramètres. En particulier, nous avons réalisé un apprentissage de la turbulence décadente bidimensionnelle (2-D) à des temps de présélection finis en utilisant des données de simulation numérique directe. Le modèle de prédiction développé a prédit avec précision les champs turbulents à un temps de présélection fini allant jusqu'à la moitié de l'échelle de temps intégral eulérienne sur laquelle les mouvements à grande échelle restent relativement corrélés. La décomposition par échelle a été utilisée pour interpréter la prévisibilité en fonction de l'échelle spatiale, et le rôle des variables latentes dans le réseau discriminateur a été examiné. La bonne performance du GAN dans la prédiction de la turbulence à petite échelle est attribuée à la capacité de sélection et d'interaction des échelles de la variable latente. De plus, en utilisant PredictionNet comme modèle de substitution, un modèle de contrôle nommé ControlNet a été développé pour identifier les champs de perturbation qui conduisent l'évolution temporelle du champ d'écoulement dans la direction qui optimise la fonction objective spécifiée.