公开DNS与求解器基线的三维湍流算例:GNN直接推进与辅助粗网格求解验证,均匀各向同性湍流受迫与衰减设置

周期域均匀各向同性湍流的DNS参考数据、受迫/衰减生成方法与统计物理约束

合并两组中所有针对周期域HIT的数据与生成方法文献。共同点:为“能否拿到全域、连续时间的三维速度场”提供直接证据与操作依据——衰减HIT的网格/谱初始化与时间推进细节、积分尺度与耗散系数的修正(低波数缺失带来的评价偏差)、物理空间确定性受迫方案(由静止场生成统计定常受迫HIT并给出强迫参数与统计的关联)、受迫HIT的两点两点时间闭合(给出闭合目标形式与可检验关系)、滤波后粒子追踪与滤波尺度处理;同时提供物理可信性判据:Kolmogorov 4/5律及其有限雷诺数检验、EDQNM类谱闭合、速度梯度不变量拓扑统计、强迫标量混合、可压缩HIT中的激波片与Euler旋转角不变量,以及最小雷诺数下收敛性研究以确定可用算例规模。这组回答“初始条件/外力/黏性/时间间隔/网格信息是否齐备、如何构造滤波场与闭合目标、如何用多次统计相似实现留出独立测试轨迹”。

开源可运行求解器、谱/高阶离散基础设施与可微分模拟框架

合并两组中全部求解器与数值方法文献,用于回答“公开连续轨迹不足时能否自行生成小规模参考数据、代码依赖与CFD经验门槛有多高”。共同点:Xcompact3D(不可压/可压缩、自带强迫与算例)、谱方法经典教材(周期域Fourier谱离散、去混叠与时间推进格式的直接依据)、JAX-Shock与flow differentiable(GPU加速、可微、便于与学习模块端到端耦合)、Lethe与Nektar++(高阶/hp单元开源并行框架,含Taylor–Green涡等基准算例)、高阶LES与并行有限元单方程SGS实现、非线性Galerkin(粗网格/降阶推进思想)以及新一代LES求解框架。这组直接支撑“从同一初始场启动DNS参考与粗网格解”的实现路径与单算例算力估计。

传统亚格子闭合模型的模型形式、动态过程与参数辨识基线

合并两组中偏“闭合模型本身”的文献,构成学习模型的对照基线。共同点:单方程LES及其后验测试、Langevin型LES闭合、动态确定系数的单方程SGS模型、二阶矩/湍流输运闭合的使用评估、三维小尺度参数化、模型参数与网格参数的辨识,以及亚格子应力/标量通量的模型形式、动态过程与反散射表征、尺度相似小尺度重构。这些给出“close-form 基线”的具体表达式与标定方式,是与数据驱动闭合做同条件对比时的必要底稿。

滤波定义与a priori/a posteriori评价流程、自适应隐式LES及数据驱动闭合综述

这组聚焦“评价方法论”而非某个具体模型,回答“能否复现论文中的滤波、时间推进与评价条件”。共同点:从DNS显式滤波得到粗网格场做a priori检验、fDNS与DNS成对数据的模型评估、数据驱动非局域动态模型的可解释评估、无模型的自适应小波隐式LES(滤波即分辨率自适应)、以及数据驱动湍流闭合的系统综述与混合输运控制函数。它们提供误差度量口径、训练/检验切分方式和评价链条模板。

混合LES/RANS、合成湍流耦合、粗网格一致性与数据同化系数标定

保留为独立组:这组文献关注的不是闭合形式,而是“粗网格求解本身的不确定性与低成本替代”。共同点:URANS呈现类LES行为、混合LES/RANS及其与粗网格之间的界面与一致性问题、高雷诺数流动模拟的实现约束、基于数据同化的模型系数优化,以及LES与合成湍流生成耦合(在缺少现成入口/初始全场的条件下低成本构造算例的途径)。它们解释了为何学习闭合必须与求解器在线耦合验证,并指出网格分辨率、界面处理、系数标定与合成入口是需自行开发的环节。

机器学习/图神经网络亚格子与雷诺应力闭合模型的接入实例

合并两组中“以闭合量预测为目标、嵌入求解器”的文献,回答“学习模型如何插进粗网格求解流程”。共同点:多尺度GNN的SGS应力建模(HIT/混合层/槽道多雷诺数DNS滤波数据、Gaussian与box核、先验与后验测试)、各向异性GNN、保持可实现性的E(3)等变GNN与求解器在环微调、直接嵌入RANS的张量基神经网络闭合、面向S-A模型的ANN特征选择与泛化增强、以Burgers方程与backward-facing step为对象的NN-SGS先验/后验验证、以DNS/FDNS配对资料重构滤波丢失小尺度的ANN、以及进化神经网络做显式闭合的符号回归与无监督-有监督联合训练流水线。这组给出输入特征、滤波尺度、训练/验证集切分与在线耦合评价的可复现条件。

GNN/深度学习直接推进速度场、时空rollout与超分辨重建路线

保留并扩展为独立组,直接对应“GNN直接推进”的技术路线及其风险。共同点:GNN湍流建模与基于GNN的圆柱尾迹/明渠时空预测(含结构函数与Kolmogorov标度检验)、以Fourier投影保证无散、速度+涡量双项损失的三维HIT深度学习预测(跨Reλ外推、按子体积拼接、有限提前时间评估)、以受迫HIT DNS为数据的条件超分辨GAN(以SGS动能作条件)、CNN/并行上采样从粗网格恢复小尺度、LSTM/GRU时序速度场预测(误差累积)以及深度学习湍流模拟的综述与研究指南。这组用于确定算例规模、多步推进稳定性与评价指标(积分时间尺度、误差增长率)。

基准算例的网格收敛检验与数值一致性/可重复性规范

保留为独立组,回答“如何判断算例与模型是否被真正复现”:三维基准算例的网格收敛性研究给出分辨率与统计量收敛的检验方式;数值一致的数据驱动建模摘要集强调训练/测试数据与求解器设置的一致性、可重复性与数据-代码-评价口径对齐。为独立测试轨迹划分、误差度量与结果可比性提供评价协议层面的支撑。

公开DNS与求解器基线的三维湍流算例:GNN直接推进与辅助粗网格求解验证,均匀各向同性湍流受迫与衰减设置

将两套初始化分组按“功能角色”而非文献来源合并为8个并列板块,覆盖全部65篇文献:①HIT的DNS参考数据、受迫/衰减生成方法与统计物理约束(11篇)——回答全域连续时间三维速度场能否获得、滤波场与闭合目标如何构造、留出测试轨迹如何实现,并给出4/5律、谱闭合、不变量统计等物理可信性标尺;②开源可运行求解器与谱/高阶离散、可微分模拟框架(11篇)——回答现成轨迹不足时自行生成小规模参考数据的代码依赖与算力;③传统亚格子闭合模型形式、动态过程与参数辨识基线(10篇)——提供同条件对比的close-form基线;④滤波定义与a priori/a posteriori评价流程、自适应隐式LES及数据驱动闭合综述(6篇)——提供误差口径与评价链条模板;⑤混合LES/RANS、合成湍流耦合、粗网格一致性与数据同化标定(5篇)——揭示粗网格求解的不确定性来源与低成本替代;⑥ML/GNN闭合模型接入实例(11篇)——给出输入特征、滤波尺度、训练切分与求解器在环耦合方式;⑦GNN/深度学习直接推进与超分辨重建、时空rollout(9篇)——对应GNN直接推进路线及误差累积风险;⑧网格收敛检验与数值一致性规范(2篇)——支撑独立测试集划分与结果可重复性。整体链条为“数据—代码—基线—误差来源—学习闭合—直接推进—评价规范”,各板块相互并列、互不包含,可直接映射到调研报告的三类核查条目(数据可得性与闭合目标构造、求解器与基线复现、规模/算力/经验成本比较)。

让 AI 读完这 65 篇文献,进入工作区深入研究
研究方向与代表作共识与分歧研究空白与可做的问题
共 65 篇文献,8 个研究方向
周期域均匀各向同性湍流的DNS参考数据、受迫/衰减生成方法与统计物理约束

合并两组中所有针对周期域HIT的数据与生成方法文献。共同点:为“能否拿到全域、连续时间的三维速度场”提供直接证据与操作依据——衰减HIT的网格/谱初始化与时间推进细节、积分尺度与耗散系数的修正(低波数缺失带来的评价偏差)、物理空间确定性受迫方案(由静止场生成统计定常受迫HIT并给出强迫参数与统计的关联)、受迫HIT的两点两点时间闭合(给出闭合目标形式与可检验关系)、滤波后粒子追踪与滤波尺度处理;同时提供物理可信性判据:Kolmogorov 4/5律及其有限雷诺数检验、EDQNM类谱闭合、速度梯度不变量拓扑统计、强迫标量混合、可压缩HIT中的激波片与Euler旋转角不变量,以及最小雷诺数下收敛性研究以确定可用算例规模。这组回答“初始条件/外力/黏性/时间间隔/网格信息是否齐备、如何构造滤波场与闭合目标、如何用多次统计相似实现留出独立测试轨迹”。相关文献:C. Cambon et. al, 2024 等 11 篇文献

开源可运行求解器、谱/高阶离散基础设施与可微分模拟框架

合并两组中全部求解器与数值方法文献,用于回答“公开连续轨迹不足时能否自行生成小规模参考数据、代码依赖与CFD经验门槛有多高”。共同点:Xcompact3D(不可压/可压缩、自带强迫与算例)、谱方法经典教材(周期域Fourier谱离散、去混叠与时间推进格式的直接依据)、JAX-Shock与flow differentiable(GPU加速、可微、便于与学习模块端到端耦合)、Lethe与Nektar++(高阶/hp单元开源并行框架,含Taylor–Green涡等基准算例)、高阶LES与并行有限元单方程SGS实现、非线性Galerkin(粗网格/降阶推进思想)以及新一代LES求解框架。这组直接支撑“从同一初始场启动DNS参考与粗网格解”的实现路径与单算例算力估计。相关文献:Paul Bartholomew et. al, 2020 等 11 篇文献

传统亚格子闭合模型的模型形式、动态过程与参数辨识基线

合并两组中偏“闭合模型本身”的文献,构成学习模型的对照基线。共同点:单方程LES及其后验测试、Langevin型LES闭合、动态确定系数的单方程SGS模型、二阶矩/湍流输运闭合的使用评估、三维小尺度参数化、模型参数与网格参数的辨识,以及亚格子应力/标量通量的模型形式、动态过程与反散射表征、尺度相似小尺度重构。这些给出“close-form 基线”的具体表达式与标定方式,是与数据驱动闭合做同条件对比时的必要底稿。相关文献:Hao-Yuan Lu et. al, 2008 等 10 篇文献

滤波定义与a priori/a posteriori评价流程、自适应隐式LES及数据驱动闭合综述

这组聚焦“评价方法论”而非某个具体模型,回答“能否复现论文中的滤波、时间推进与评价条件”。共同点:从DNS显式滤波得到粗网格场做a priori检验、fDNS与DNS成对数据的模型评估、数据驱动非局域动态模型的可解释评估、无模型的自适应小波隐式LES(滤波即分辨率自适应)、以及数据驱动湍流闭合的系统综述与混合输运控制函数。它们提供误差度量口径、训练/检验切分方式和评价链条模板。相关文献:N. Ghaisas et. al, 2014 等 6 篇文献

混合LES/RANS、合成湍流耦合、粗网格一致性与数据同化系数标定

保留为独立组:这组文献关注的不是闭合形式,而是“粗网格求解本身的不确定性与低成本替代”。共同点:URANS呈现类LES行为、混合LES/RANS及其与粗网格之间的界面与一致性问题、高雷诺数流动模拟的实现约束、基于数据同化的模型系数优化,以及LES与合成湍流生成耦合(在缺少现成入口/初始全场的条件下低成本构造算例的途径)。它们解释了为何学习闭合必须与求解器在线耦合验证,并指出网格分辨率、界面处理、系数标定与合成入口是需自行开发的环节。相关文献:P. Neittaanmäki et. al, 2004 等 5 篇文献

机器学习/图神经网络亚格子与雷诺应力闭合模型的接入实例

合并两组中“以闭合量预测为目标、嵌入求解器”的文献,回答“学习模型如何插进粗网格求解流程”。共同点:多尺度GNN的SGS应力建模(HIT/混合层/槽道多雷诺数DNS滤波数据、Gaussian与box核、先验与后验测试)、各向异性GNN、保持可实现性的E(3)等变GNN与求解器在环微调、直接嵌入RANS的张量基神经网络闭合、面向S-A模型的ANN特征选择与泛化增强、以Burgers方程与backward-facing step为对象的NN-SGS先验/后验验证、以DNS/FDNS配对资料重构滤波丢失小尺度的ANN、以及进化神经网络做显式闭合的符号回归与无监督-有监督联合训练流水线。这组给出输入特征、滤波尺度、训练/验证集切分与在线耦合评价的可复现条件。相关文献:L. Hutin et. al, 2026 等 11 篇文献

GNN/深度学习直接推进速度场、时空rollout与超分辨重建路线

保留并扩展为独立组,直接对应“GNN直接推进”的技术路线及其风险。共同点:GNN湍流建模与基于GNN的圆柱尾迹/明渠时空预测(含结构函数与Kolmogorov标度检验)、以Fourier投影保证无散、速度+涡量双项损失的三维HIT深度学习预测(跨Reλ外推、按子体积拼接、有限提前时间评估)、以受迫HIT DNS为数据的条件超分辨GAN(以SGS动能作条件)、CNN/并行上采样从粗网格恢复小尺度、LSTM/GRU时序速度场预测(误差累积)以及深度学习湍流模拟的综述与研究指南。这组用于确定算例规模、多步推进稳定性与评价指标(积分时间尺度、误差增长率)。相关文献:L. Jbara et. al, 2025 等 9 篇文献

基准算例的网格收敛检验与数值一致性/可重复性规范

保留为独立组,回答“如何判断算例与模型是否被真正复现”:三维基准算例的网格收敛性研究给出分辨率与统计量收敛的检验方式;数值一致的数据驱动建模摘要集强调训练/测试数据与求解器设置的一致性、可重复性与数据-代码-评价口径对齐。为独立测试轨迹划分、误差度量与结果可比性提供评价协议层面的支撑。相关文献:B. Diskin et. al, 2018 等 2 篇文献