深度学习预测脉动湍流管道流中的阻力降低

本文展示了深度学习模型（CNN和LSTM）在预测复杂流体动力学场景中阻力降低的泛化能力。关键创新在于模型在经过有限的正弦波数据集训练后，能够预测未见过的非正弦波脉动流。这突出了局部时间预测的重要性以及训练数据在覆盖相关流态空间以实现准确泛化方面的作用。研究的重点在于理解模型的行为以及训练数据选择的影响，这一点尤其有价值。

• •深度学习模型（CNN和LSTM）可以预测脉动湍流管道流中的阻力降低。
• •模型在经过正弦波数据训练后，对未见过的非正弦波流动条件具有良好的泛化能力。
• •局部时间预测对于泛化至关重要。
• •训练数据的选择至关重要；覆盖局部流态空间是实现准确预测的关键。
• •在训练数据中加入间歇性层流-湍流过渡状态可以提高预测精度。