🔬 physics

Goal-Oriented Weighting of Reynolds-Stress Data for Learning Turbulence Models in Complex Flows

本文提出了一种目标导向的加权策略，该策略利用伴随敏感性在数据驱动湍流模型的监督训练过程中，优先考虑特定的雷诺应力分量，从而在无需额外进行昂贵的 RANS 模拟的情况下，提高复杂流场中下游感兴趣物理量的预测精度。

原作者： Zhuolin Zhao, Haochen Wang, Youngwoo Kim, Solkeun Jee, Heng Xiao

发布于 2026-10-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Zhuolin Zhao, Haochen Wang, Youngwoo Kim, Solkeun Jee, Heng Xiao

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，试图预测空气如何在喷气发动机上方流动，或者冷却剂如何在涡轮叶片上扩散。工程师们依靠计算机模拟来回答这些问题，但机器中的空气是湍流的，在混乱的旋涡中翻滚，无法被完美地追踪。为了使数学计算变得可行，科学家们使用了一种简化的方法，通过对混沌进行平均化处理，但这种平均化留下了一个缺口：一个关于微小的、旋转的涡流如何推动和拉扯主流运动的信息缺失。如果没有对这个缺失部分的一个良好的猜测，计算机对速度、压力和温度的预测就会偏离现实。几十年来，研究人员一直试图通过教计算机从高保真数据中学习湍流规则来填补这一空白，本质上是向机器展示湍流涡流是如何行为的示例。其希望在于，如果计算机能很好地学习这些规则，它就能以更高的准确度预测复杂的流动。

来自斯图加特大学和光州科学技术研究院的研究小组现在改进了这种学习过程的工作方式。他们发现，仅仅将每一个湍流示例都视为具有同等重要性并展示给计算机，并不是最有效的策略。在他们的研究中，他们发现取决于工程师想要预测的具体结果，湍流流动的不同部分具有不同的重要程度。为了解决这个问题，他们开发了一种类似于“聚光灯”的方法，通过向影响最终结果的具体数据部分投射更亮的光，同时调暗那些不相关部分的光。通过这样做，他们能够训练出一个能够预测复杂流动（例如冷却空气撞击热表面的情况）的计算机模型，其准确度显著高于以往的方法，且无需在训练阶段进行昂贵的重复模拟。

问题的核心在于计算机目前是如何从数据中学习的。当训练一个理解湍流的模型时，研究人员通常会向其输入大量关于旋转涡流（称为雷诺应战，Reynolds stresses）的信息。计算机试图最小化其预测与真实数据之间的误差。然而，标准方法将每一条数据都视为同等重要。它假设流场中某个角落的小误差与另一个角落的小误差一样严重。研究人员意识到这并不成立。在复杂的流动中，某些部分的湍流对特定位置的最终速度或温度有巨大影响，而其他部分的影响则微乎其微。如果计算机花费太多时间试图完美匹配那些不重要的部分，它可能会无法掌握重要的部分。这就像是通过调整每一个旋钮来调频收音机，而不是专注于那些真正控制你想要听到的电台的音量和清晰度的旋钮。

为了解决这个问题，该团队引入了一种称为“目标导向加权”（goal-oriented weighting）的技术。在计算机开始学习之前，他们先进行一次专门的、单次的计算，作为敏感性测试。这个测试提出了一个简单的问题：如果我改变这个特定位置的湍流，会对我在意位置的空气速度产生多大的影响？这个问题的答案生成了一张“重要性地图”。导致最终结果发生巨大变化的区域和类型的湍流会获得高分，而那些引起变化较小的则得分较低。这些分数随后被用作训练过程中的权重。计算机现在被指示要额外关注高分数据，并减少对低分数据的关注。这使得模型能够将其学习能量集中在关键之处，有效地忽略那些不影响最终预测的噪声。

研究人员在三种不同类型的流动中测试了这个想法，以验证其是否有效。首先，他们观察了空气通过方管的情况，在这种情况下，湍流会产生标准模型经常遗漏的二次旋转运动。通过使用这种新的加权方法，计算机成功学习到了如何更准确地预测这种二次运动，使其与高保真参考数据紧密匹配。接着，他们在空气流过一系列丘陵的情景下进行了测试，在这种场景下，流动会分离并产生一个旋涡尾迹。同样，加权后的模型表现优于标准方法，能够更精确地预测分离流区域的大小和形状。在这两种情况下，模型都学会了优先考虑驱动这些现象的特定湍流成分，而不是试图平等地拟合每一个细节。

最具有挑战性的测试是关于注入横向流中的冷却气流，这是涡轮叶片中常见的一种情况，即必须保持热气体的冷却。这种流动高度复杂，气流会发生分离、扭转并与主流进行三维混合。研究人员想要预测冷却空气扩散并保护表面的效果。他们使用来自一次高保真模拟的特定运行条件下的数据来训练模型，然后在另一种条件下对其进行测试，以观察其泛化能力。标准方法由于将所有数据视为同等重要，虽然改善了对喷流初始分离的预测，但未能正确预测下游的流动和冷却分布。它预测冷却空气会分成两个偏心的分离块，这是不正确的。

相比之下，使用目标导向权重训练的模型在下游流动的预测上更接近真实的物理特性。它正确地预测了冷却空气会更加居中且分布更均匀，与高保真参考数据相符。值得注意的是，这种改进甚至延伸到了“冷却效率”本身——这是一个衡量表面受保护程度的指标——尽管计算机从未被明确告知要去优化温度。模型学习到了正确的动量模式，温度也随之自然呈现。当他们在从未见过的另一种运行条件下测试该模型时，它仍然优于标准方法，这表明其学习流体物理的方式更加稳健。

这项工作的意义在于其高效性和精确性。研究人员在无需在训练过程中重复运行昂贵且耗时的流体模拟的情况下，实现了这些改进。他们利用一次离线的计算来确定什么是重要的，然后将这些经验应用于训练。这意味着工程师现在可以更快地训练更好的湍流模型，并将精力集中在对特定目标真正有意义的数据上。该研究表明，在未来，面向物理学的机器学习不应仅仅关于最小化总误差，而应是关于最小化那些真正影响当前决策的误差。通过将训练过程与最终预测目标相对齐，研究人员展示了一条通往更可靠、更高效的复杂工程挑战模拟的路径。

技术摘要：面向目标的雷诺应力数据加权方法，用于复杂流场中的湍流模型学习

1. 问题陈述

基于数据的雷诺平均纳维-斯托克斯（RANS）方程湍流建模通常采用直接训练（或称 a priori 训练），即在优化过程中不求解 RANS 方程，而是从高保真数据（DNS 或 LES）中学习雷诺应力张量的本构关系。与“求解器在环”（solver-in-the-loop）方法相比，这种方法计算效率更高，但标准的直接训练存在一个关键的失配问题：传统的损失函数对所有张量分量和空间位置应用统一的权重。

然而，特定的雷诺应力分量和局部误差对下游感兴趣的量（QoI）（例如特定的速度剖面或空气动力特性）的影响程度差异显著。在典型的剪切流中，可以通过物理推理识别相关分量（例如，影响平均速度的剪切应力）；但在复杂的 3D 流场（如射流横穿流）中，相关的应力分量和空间区域会动态变化。因此，最小化雷诺应力的总重建误差并不一定能改善预期流物理量的预测。相反，通过考虑这些影响而采用基于流场观测的间接训练方法，则需要进行多次、昂贵的 RANS 求解，从而造成计算瓶颈。

2. 方法论

作者提出了一种面向目标的加权框架，该框架将 QoI 相关性整合到直接训练中，同时保持了无需求解器的参数优化特性。其核心创新在于使用单次离线伴随敏感性分析来生成用于监督损失函数的固定权重。

关键方法步骤：

伴随敏感性分析： 针对选定的基于速度的 QoI ( $J$ )，基于基准 RANS 状态计算一次离线伴随解。这量化了 $J$ 对每个空间位置处每个雷诺应力各向异性分量 ( $b_{ij}$ ) 扰动的局部线性敏感度。
权重构建： 将敏感度量级 ( $G_{ij}$ $G_{ij}$ ) 转换为用于训练损失的固定权重 ( $W_{ij}$ $W_{ij}$ )。权重由三个因子分解而成：
1. 空间掩模 ( $M$ )： 一个二进制掩模，排除敏感度极低的区域（例如主流区或流室），将训练重点放在具有影响力的区域（例如喷射孔、剪切层）。
2. 单元相关性 ( $c$ )： 一个因子，为具有更大总敏感度的网格单元分配更高的权重。
3. 分量优先级 ( $w$ )： 一个因子，根据单元内各各向异性分量相对于其敏感度的比例，在单元内的六个独立分量之间分配权重。
训练损失： 修改后的损失函数最小化预测各向异性与目标值之间的加权平方误差：
$\mathcal{L}_{data} = \frac{1}{N_F N_c} \sum_{x \in \Omega_{map}} \sum_{(i,j) \in C} W_{ij}(x) [b_{ij}^{pred}(x) - b_{ij}^{target}(x)]^2$
无求解器优化： 一旦构建了权重，即可使用标准的监督学习进行模型训练。在参数更新循环中不需要进一步的 RANS 或伴随求解。

3. 主要贡献

面向目标的直接训练： 本文引入了一种方法，能够在不产生迭代流求解计算成本的前提下，使直接湍流模型训练与下游预测目标保持一致。
伴随导出的权重： 研究表明，单次离线伴随评估足以识别哪些雷诺应力分量和空间位置对于特定 QoI 最为关键。
空间变化的优先级： 不同于以往可能应用全局分量权重的研究，该框架支持基于单元的权重，允许模型在不同流场区域优先考虑不同的应力分量（例如，在剪切层中优先考虑 $b_{xy}$ ，而在扩散器孔内部优先考虑 $b_{xz}$ ）。
处理失配： 对于射流横穿流案例，作者利用了“有效各向异性目标”，该目标考虑了 LES 与 RANS 湍动能尺度之间的失配，使得学习到的闭合关系能在 RANS 输运方程中自然演化。

4. 结果

该框架在三种配置上进行了验证：方管、周期性丘陵流以及 7-7-7 扩散器射流横穿流。

方管（二次运动）：
- 目标： 预测面内速度 ( $U_y$ )。
- 发现： 伴随权重正确地优先考虑了横向正应力 ( $b_{yy}, b_{zz}$ ) 和剪切应力 ( $b_{yz}$ )。
- 结果： 与均匀加权训练相比，伴随加权模型减少了正应力不平衡的重建误差，并提供了更准确的二次流预测，且成功泛化至未见过的雷诺数。
周期性丘陵（流场分离）：
- 目标： 预测分离区域内的流向速度 ( $U_x$ )。
- 发现： 权重高度优先考虑剪切各向异性分量 $b_{xy}$ 。
- 结果： 伴随加权模型显著降低了分离区的速度误差，并且比基准模型和均匀加权模型更准确地预测了再附点。这种改进在不同的丘陵几何形状（ $\alpha = 1.0, 1.2$ ）下表现出泛化性。
射流横穿流（复杂 3D 流）：
- 目标： 预测流向速度 ( $U_x$ ) 以及间接的冷却效率 ( $\eta$ )。
- 发现： 伴随分析揭示了空间变化的优先级： $b_{xy}$ 在下游剪切层中至关重要，而 $b_{xz}$ 在扩散器孔内部更为相关。
- 结果： 虽然两种学习模型都改善了孔内分离情况，但只有伴随加权模型纠正了下游的速度偏差（特别是近壁面亏损和剪切层过冲预测）。至关重要的是，尽管伴随目标函数中不包含热学信息，但这种速度预测的改善导致了在训练（ $BR=1.5$ ）和测试（ $BR=1.0$ ）吹风比下均能更准确地预测冷却效率 ( $\eta$ )。

5. 重要性与主张

论文声称，减少统一聚合的本构误差并不保证能够改善 a posteriori（事后）预测。 通过根据数据对预期流物理量的影响对训练数据进行加权，该框架提供了一个更具针对性的损失函数。

这项工作的意义在于其能够：

弥合高效直接训练与流场级性能目标之间的差距。
保持计算效率，通过依赖于单次离线伴随计算而非在优化过程中进行重复的 RANS 求解。
展示可迁移性，证明从一种工况（例如特定的雷诺数或吹风比）导出的权重可以改善其他未见工况下的预测，这表明所识别的“相关”物理特性是稳健的。

作者也客观地指出了局限性：权重是基于局部线性敏感度计算的，无法捕捉对大规模闭合变化的高阶响应。此外，热学量的改善是耦合动量-标量系统的下游响应，而非对热通量模型的直接优化。未来的工作建议探索迭代更新的敏感度以及耦合动量-标量的伴随过程。