《Fluids》：Investigating the Generalisation Capability of Multi-Fidelity Neural Networks for Data Fusion Between RANS and DNS in Parameterised Geometries
编辑推荐：
计算流体动力学方法涵盖从雷诺平均纳维-斯托克斯（RANS）模拟到直接数值模拟（DNS）。RANS以牺牲精度为代价提供较低的计算成本，而DNS提供高精度但成本高昂。本研究旨在评估多保真神经网络能否针对小型规范数据集学习从RANS到DNS的修正映射，并确定训练集组
计算流体动力学方法涵盖从雷诺平均纳维-斯托克斯（RANS）模拟到直接数值模拟（DNS）。RANS以牺牲精度为代价提供较低的计算成本，而DNS提供高精度但成本高昂。本研究旨在评估多保真神经网络能否针对小型规范数据集学习从RANS到DNS的修正映射，并确定训练集组成和模型架构如何影响跨几何体的泛化。研究人员将用于低保真RANS与高保真DNS数据融合的多保真神经网络应用于雷诺数Re = 5600、由表征陡度比的几何参数定义的参数化周期山上的湍流。模型输入为坐标及对应的RANS速度分量，输出为DNS速度分量，两种保真度数据均映射至同一网格。研究考虑了单分支和双分支两种架构。泛化能力在由几何参数不同取值（0.5、0.8、1.0、1.2、1.5）定义的五个周期山小型数据集中进行评估。两种模型架构均在不同几何参数组合的数据上训练，以评估插值和外推能力。两种网络均成功修正了插值区域内未见几何体的RANS流场。在插值时，单分支架构实现了超过69%的误差降低，双分支架构实现了超过60%的误差降低，两者均改善了再循环区和射流结构等关键流动特征。一个关键发现是单分支架构始终优于双分支结构，尤其在低数据场景下。结果表明，只要训练集覆盖相关几何空间，多保真神经网络即可利用小型数据集和简单输入改进RANS预测。由于模型不需要将几何参数作为显式输入，因此其适用于缺乏直接参数化的几何体。单分支架构所展现的优势凸显了在训练数据有限时架构简洁性的重要性。
论文解读：多保真神经网络在RANS与DNS数据融合中的泛化能力研究
计算流体动力学（CFD）在叶轮机械、航空航天、汽车工程和生物医学等领域广泛应用，其核心是通过数值方法求解纳维-斯托克斯方程。根据精度与成本的不同，主要求解器分为RANS、大涡模拟（LES）和DNS三类。RANS计算时间平均流场，依赖湍流模型封闭方程组，成本低但精度有限；DNS直接解析所有时空湍流尺度，精度高但计算代价极高，仅适用于简单几何或低雷诺数流动。近年来，机器学习为CFD提供了新范式，多保真机器学习通过融合大量低保真数据与少量高保真数据，在精度与成本间取得平衡。现有数据融合研究多集中于修正升力、阻力等全局量，且通常需要上百个训练案例，或以几何参数作为显式输入。然而，全局量仅反映整体性能，无法捕捉再循环区、分离、旋涡等局部流动特征；完整流场重建对于工程分析至关重要。已有研究中，RANS常作为最高保真度，采用DNS作为高保真参考的工作较少。此外，多数多保真模型采用双分支复合架构，但该附加线性分支在小型数据集下的必要性尚未明确。本研究旨在评估多保真神经网络能否在仅使用少量DNS示例、且不显式输入几何参数的条件下，修正RANS流场并泛化至未见过几何体。
研究人员采用McConkey等人发布的公开数据集，该数据集包含RANS和DNS模拟结果。研究选取二维周期山几何作为基准案例，其流动涵盖边界层分离、旋涡形成和再附着等典型特征。低保真数据由k-ω SST RANS模型在约15,000单元粗网格上生成，高保真数据由DNS在约4,000万单元细网格上生成，流动为Re=5600的湍流。DNS时均场被映射至RANS粗网格，确保两种保真度共享相同空间位置，便于逐点监督学习。模型输入为x、y坐标及RANS水平、垂直速度分量，输出为DNS对应速度分量。研究比较了两种架构：双分支复合架构（线性分支与非线性分支之和）和单分支非线性架构。训练采用Adam优化器5000轮后接L-BFGS 100轮，损失为预测速度与DNS真值间的L2损失。超参数在双分支模型上调优，单分支模型作为消融保留相同配置。实验设计通过不同α值组合和不同训练样本数n评估泛化，共六个实验：实验1训练α=1.0，测试α=0.5,0.8,1.2,1.5；实验2训练α=0.5,1.5，测试α=0.8,1.0,1.2；实验3训练α=0.8,1.2，测试α=0.5,1.0,1.5；实验4训练α=0.5,1.0,1.5，测试α=0.8,1.2；实验5训练α=0.5,0.8,1.0,1.5，测试α=1.2；实验6训练α=0.5,1.0,1.2,1.5，测试α=0.8。每种设置重复训练10次以量化随机采样引起的变异性。
结果部分，研究首先比较了双分支与单分支架构的泛化性能。对于双分支模型，在已见几何测试集上至少获得63%的平均RMSE降低，但实验1在未见几何集上出现性能恶化，表明单几何训练不足以泛化；实验2-3仅小幅改进；实验4-6表现最佳，平均RMSE至少降低60%。单分支模型在已见几何集上至少获得75%的降低，且所有实验均在未见几何集上产生正向改进；实验1改进不显著，实验2-3降低约50%，实验4-6降低超过69%。两种架构对比显示，单分支模型在未见几何上的RMSE降低始终等于或优于双分支模型，尤其在训练案例较少的实验1-3中差异最大，表明额外的线性分支在此应用场景中非必要，后续分析集中于单分支模型。
泛化分析详细展示了各实验中RMSE随训练样本数的变化。实验1中，模型对已见几何α=1.0的预测误差低于RANS基线，对接近训练的α=0.8和1.2有一定改进，但α=0.5和1.5外推效果差，误差和方差大，表明单一训练几何无法捕获参数空间变异性。实验2中，模型在插值范围内（α=0.8,1.0,1.2）均优于RANS基线，但随样本数增加，已见几何误差下降而未见几何误差上升，反映模型对训练几何过度专化，此时减少样本可能更有利。实验3中，模型对中间插值案例α=1.0泛化良好，误差和方差低，但对边缘外推案例α=0.5和1.5性能明显退化，凸显外推难度。实验4中，训练数据覆盖参数空间两端和中心，所有样本数下模型对已见和未见几何的RMSE均低于RANS基线，且方差小，即使样本数低至N=14000也能改善，表明充分覆盖参数空间可实现一致且准确的泛化。实验5和6中，模型在四个几何上训练，对单个未见案例预测强，RMSE持续低于RANS基线，但相比实验4增加一个训练几何仅带来边际改进，显示参数空间覆盖达到一定程度后收益递减。
流场可视化进一步验证了模型修正能力。实验4中，针对α=0.8和1.2的未见几何，模型修正了RANS的再循环区长度（RZL）和射流宽度。例如，α=0.8时RANS的RZL为5.6，DNS为3.7，模型预测为3.7，与DNS完全一致；α=1.2时RANS为5.8，DNS为3.5，模型预测为3.5。误差主要集中在再循环区与射流之间的分离区域以及下壁面附近。实验1中，模型对α=0.8的预测与DNS吻合良好，RMSE低于RANS；但对α=1.5时，射流撞击壁面区域出现大误差，整体预测RMSE高于RANS基线，表明外推失败源于坐标域偏移。
讨论部分指出，单分支架构因结构简单、参数少，在小型数据集下比双分支更有效地捕获RANS与DNS间的非线性映射，附加线性校正路径在数据有限时可能引入误差。实验序列表明，训练数据的分布方式比样本总数更关键：向少数几何增加样本不如添加填补参数空间空白的几何有效。几何信息已隐含于空间坐标和RANS速度场中，因此无需显式几何参数，该方法适用于缺乏直接参数化的几何体。模型基于坐标输入，无需结构化网格或图像预处理，可轻松作为后处理步骤改进低保真结果，且同样适用于RANS-LES等保真度组合。
研究结论翻译如下：本研究证明，多保真神经网络在训练于少量高保真DNS数据时，能够显著改善未见过几何中由RANS模拟获得的速度流场。多保真神经网络被应用于参数化周期山的精选数据集，并通过六种训练-测试配置评估了泛化能力。主要贡献为：（1）比较分析表明，在此应用中单分支多保真架构始终优于双分支替代方案；（2）定量评估显示，参数空间覆盖度是泛化性能的主要驱动因素，当训练几何分布良好时，未见过几何的RMSE大幅降低。定量来看，通过在间隔良好的训练几何间插值获得最强改进。当使用三个均匀分布的几何训练时，单分支模型在未见过测试几何上的RMSE相对于RANS基线至少降低69%（跨速度分量和测试案例的平均降低）。在所有实验中，单分支架构相比双分支模型均产生相等或更大的RMSE降低。最大差异出现在参数空间覆盖度低的实验（实验1-3）中，此时单分支模型保持正RMSE降低，而双分支模型几乎没有改进。从这些结果推断，该参数族中RANS与DNS场之间的主要关系可由单一非线性映射有效捕获，而添加显式线性校正分支并不能改善，某些情况下甚至可能降低泛化能力。该方法具有若干实际优势，包括无需显式几何参数和物理域表示作为模型输入，这减少了预处理开销，并拓宽了对缺乏简单参数化几何体的适用性。此外，模型可重建完整速度场而非仅全局量。未来工作将包含更多几何体以改善参数空间覆盖，评估单分支优势在更大训练集下是否持续，并将方法扩展到三维及更复杂的工程流动，以评估多保真流场重建在实际CFD工作流中的泛化性。
