Модели подхода RANS для замыкания осредненных по Рейнольдсу уравнений Навье–Стокса имеют ряд ограничений из-за невысокой точности и неуниверсальности. Однако, они до сих пор широко применяются в инженерных расчетах, благодаря точу, что численные реализации этих моделей не требуют больших вычислительных мощностей. Поэтому актуальна задача по улучшению точности RANS моделей. В этом могут помочь алгоритмы машинного обучения (ML), использующие доступные наборы данных высокой точности, которые получены путем измерений или численного моделирования вихреразрешающими методами DNS (Direct Numerical Simulation) и LES (Large Eddy Simulation) для канонических течений жидкости и газа.
В данной работе рассматривается применение различных методов машинного обучения: нейронная сеть с тензорным базисом (TBNN) для аппроксимации напряжений Рейнольдса; программирование экспрессии генов (GEP). Последний метод предназначен для получения явных алгебраических выражений для напряжений Рейнольдса. Для обучения и калибровки моделей используется высокоточные данные LES, DNS для канонических турбулентных течений в каналах, документированные в ряде работ.

Семинар будет проведен в смешанном формате. Очное заседание пройдет в  конференц-зале ФИЦ ИВТ (к.513), дистанционно к семинару можно будет подключиться по ссылке https://vcs-6.ict.nsc.ru/b/grz-ayy-7ne

Для студентов и аспирантов, находящихся в Новосибирске и не имеющих причин для дистанционного подключения, очное присутствие обязательно.

Запись семинара (доклад с 29-й минуты): https://vcs-6.ict.nsc.ru/playback/presentation/2.3/caeaa151fe7743faa3d160ccb904deddc5b7d1cb-1676951483595