人工神经网络(ANN)与支持向量回归(SVR)预测钝体水动力学中湍流猝发(Turbulent Bursting)的研究

《Water》：Artificial Neural Network and Support Vector Regression for Predicting Turbulent Bursting in Bluff-Body Hydrodynamics

　　

本研究研究了基于两台水平圆柱下游近尾迹与远尾迹区湍流猝发(Turbulent Bursting)事件的机器学习预测方法。基于猝发数据集，研究人员采用人工神经网络(ANN, Artificial Neural Network)与支持向量回归(SVR, Support Vector Regression)，以各猝发事件的应力比(Stress Ratio)为目标变量构建了两种预测模型。经多种图形分析表明，ANN与SVR模型均获得了令人满意的估算精度，其中ANN模型存在轻微过拟合现象。通过对象限分析(Quadrant Analysis)应用深度学习并凸显机器学习方法在明渠湍流中的适应性，本研究有助于深化对钝体水动力学(Bluff-Body Hydrodynamics)中猝发发生机理的理解。

论文解读：人工神经网络(ANN)与支持向量回归(SVR)预测钝体水动力学中湍流猝发(Turbulent Bursting)的研究

研究背景与意义

壁面附近湍流边界层中的拟周期准循环过程被称为湍流猝发(Bursting Process)，通常通过象限分析(Quadrant Analysis)来研究。明渠流中钝体(Bluff Body)下游的尾迹流动（墙尾流，Wall-Wake Flow）与河床冲刷及水力结构设计密切相关。尽管粒子图像测速仪(PIV)、声学多普勒流速仪(ADV)等已广泛用于湍流实验，但在部分空间位置难以获取高质量数据，且仪器局限易导致误差。已有文献多关注用人工神经网络(ANN)模拟平均流速、湍流强度及雷诺应力封闭，但尚未见将实验猝发结果与机器学习预测进行对比的研究。鉴于此，研究人员以两水平圆柱下游近尾迹(Near-Wake)与远尾迹(Far-Wake)区的湍流猝发为对象，引入ANN与SVR建立预测模型，作为实验研究的补充手段。该文发表于《Water》。

主要关键技术方法

研究人员基于Sarkar等及Samanta等的明渠水槽实验数据（矩形水槽长20 m、宽0.5 m，粗糙床面，Re≈440,000，Fr为亚临界，两水平圆柱直径D间距D，ADV采样频率100 Hz采样240 s），对原始信号进行加速度阈值法去尖峰(Despiking)滤波并验证满足Kolmogorov ?5/3标度律。数据集共504组观测值，输入特征为流向无量纲距离x/D、垂向无量纲距离z/D及平均速度分量u￣、v￣、w￣（原文符号），输出分别为四个象限事件——向外作用(Outward Interaction, QI)、喷射(Ejection, QII)、向内作用(Inward Interaction, QIII)、扫掠(Sweep, QIV)——的应力比(Stress Ratio, S_ij/|τ￣|或原文记为S/Q等应力比值)。ANN采用多层感知器(MLP)含1个隐层（最优10个神经元），隐层Logistic-Sigmoid传递函数，输出层线性传递函数，Levenberg–Marquardt(LM)算法训练，数据按70%训练、15%验证、15%测试划分，早停法防止过拟合。SVR采用高斯径向基核函数(RBF Kernel)，通过手动调参确定惩罚系数C与ε-不敏感损失函数参数ε及核宽度σ，数据按70%训练、30%测试划分。模型性能用均方误差(MSE)、决定系数(R²)及偏差界限(Margin of Deviation, MoD)评价。

研究结果

2. Experimental Details（实验细节）

研究人员引用水槽实验原始数据，详述了流动参数、ADV测点布置（距砾石床面起始3 mm起每2 mm递增）及数据滤波流程，确认速度分量标准差<0.5 cm/s、平均最大误差<5%，说明实验数据质量可靠，可作为机器学习建模基础。

3. Artificial Neural Network (ANN) Formulation（人工神经网络(ANN)建模）

研究人员描述了MLP结构、权重w与偏置b、传递函数及LM训练算法，经试错法确定隐层神经元数为10。说明ANN可通过监督学习捕捉输入空间位置/平均速度与输出应力比间的非线性映射关系。

4. Support Vector Machine and Regression (SVM and SVR) Formulation（支持向量机与回归(SVR)建模）

研究人员介绍了SVR基本原理、ε-不敏感损失函数、惩罚参数C及核函数（线性、多项式、高斯RBF），指出高斯核在此数据中表现最优，并强调超参数C、ε、σ需联合优化以保证泛化能力。

5. Computational Methodology（计算方法）

研究人员说明了输入五维特征与四个分别建立的应力比输出模型、数据划分方式及评价指标公式（MSE、R²、MoD），为后续结果对比提供基准。

6. Results and Discussion（结果与讨论）

通过训练-验证-测试误差曲线可知，ANN模型在QII（Ejection）事件第9轮迭代达最低MSE后验证集连续6次未改善而停止；其余事件最佳迭代次数分别为40（QI）、25（QIII）、77（QIV）。误差直方图呈近似正态分布且零误差线处密度最高，表明ANN预测残差小且符合正态性。MSE柱状图显示近尾迹区初始MSE偏高，整体测试MSE较低。MoD平均值：ANN与SVR对QI分别为2.4%与0.84%，QII为2.83%与7.06%，QIII为7.08%与7.01%，QIV为2.23%与4.35%，均<10%。近尾迹区因存在回流、强猝发及极端高幅值应力比样本，导致两模型在该区偏差偏大。决定系数R²：ANN训练/测试分别为QI(0.7990/0.7572)、QII(0.7141/0.6568)、QIII(0.8104/0.6053)、QIV(0.8242/0.6320)；SVR训练/测试分别为QI(0.6185/0.6613)、QII(0.6049/0.6119)、QIII(0.6132/0.6208)、QIV(0.6455/0.6363)。ANN在QI、QII上精度优于SVR，但QIII、QIV出现训练R²≈0.81–0.82而测试R²≈0.60–0.63的明显落差，提示过拟合。综合而言，ANN整体拟合优度更高但存过拟合风险，SVR泛化能力较稳，故对QIII与QIV应力比模型推荐采用SVR。

讨论与结论翻译（Conclusions部分总结翻译）

本研究展示了利用ANN与SVR估算两水平圆柱钝体明渠流中湍流猝发事件应力比的预测建模方法。根据偏差界限(MoD)结果，模型预测值与实验值偏差微小。由于ANN存在过拟合（尤指QIII与QIV模型），对此类应力比推荐使用SVR。模型在钝体近尾迹少数位置预测偏差较大。所建ANN与SVR模型为难以开展实验采集的位置提供了一种高精度、可接受误差范围内的猝发应力比预测替代途径。受限于训练数据来源于特定双圆柱实验构型，模型仅适用于同类壁面尾迹流，推广至其他形状钝体需谨慎。未来研究拟结合物理机理模型(Physics-Based Models)以提升预测精度与物理解释性，并采用集成学习(Ensemble Learning)技术改善跨钝体构型与流况的泛化能力。