報告題目： TSI-SD：針對二維湍流輸運方程模拟的時序相關空間離散化神經網絡
報 告 人： 田浩 副教授 中國海洋大學
報告時間：2023年04月14日 10:00-11:00
報告地點：騰訊會議ID：373-901-227會議密碼：202304
會議鍊接：https://meeting.tencent.com/dm/TQIh9Hex50ez
校内聯系人：黎文磊 lwlei@jlu.edu.cn
報告摘要：湍流輸運數值模拟是一個巨大的挑戰，因為它包含極其複雜的變化，具有很高的雷諾數，通常需要非常高分辨率的網格才能捕捉到物理過程中非常細微的變化，從而實現精确模拟，而這将導緻大量的計算耗費。該問題一直是該領域長期存在的瓶頸問題。近年來基于深度學習的解決方案在空間離散化過程中以利用具有自适應調整系數的大尺度網格離散方法，代替了采用固定系數的小網格的傳統方法，使計算成本大大降低并保持了準确性。 這一突破被認為是一個重要的湍流數值模拟的改進。
然而，這些先前提出的基于深度學習的方法總是隻考慮網格之間的空間相關性來預測系數，這提供了相對有限的上下文，不能充分描述時間維度上的模式，這意味着時空相關性的系數沒有很好地學習。為了解決這個問題，我們提出了時間序列相關的空間離散化神經網絡網絡（TSI-SD）從空間和時間視圖中一起提取網格相關性。這個新穎的深度神經網絡是通過将時間信息添加到2D空間網格中，從經典的 CONV-LSTM 主幹轉化而來，通過融合後神經網絡将它們融合。然後我們将 TSI-SD 與有限體積格式相結合，作為二維湍流中被動标量平流的平流求解器。 與以往僅考慮空間關系的機器學習方法相比，我們的方法可以獲得更高的模拟精度。并且我們發現在添加時間數據（輸入特征之一）之後，濃度場是多餘的并且在空間離散化過程中不應再采用，這會導緻參數尺度急劇下降，從而計算開銷也變得更低。
報告人簡介：田浩，中國海洋大學數學科學學院, 副教授，2013年山東大學計算數學專業博士畢業，研究領域主要集中在近場動力學模型高效算法，非局部擴散模型的建模與算法設計等，曾主持國家自然科學基金，山東省自然科學基金等，在CMAME, JCP,Frontier等雜志發表多篇學術論文。
