Buchumschlag

Statistical machine learning tools for probabilistic closures of turbulence models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lemos, Julia Domingues, Santos, Fabio Pereira dos
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Fluid Dynamics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Solver-in-the-loop approach to closure of shell models of turbulence
von: Freitas, André, et al.
Veröffentlicht: (2024)

Reduced-order modeling of a viscoelastic turbulent jet with hybrid machine learning models
von: Amor, Christian, et al.
Veröffentlicht: (2026)

A posteriori closure of turbulence models: are symmetries preserved?
von: Freitas, André, et al.
Veröffentlicht: (2025)

Kinetic closure of turbulence
von: Marson, Francesco, et al.
Veröffentlicht: (2025)

On the importance of stochasticity in closures of turbulence
von: Freitas, André, et al.
Veröffentlicht: (2026)

A spatio-temporal random synthetic turbulent velocity field: The underlying Gaussian structure
von: Chatelain, Matthieu, et al.
Veröffentlicht: (2025)

Unifying formalism and closures for coarse-grained approaches to turbulence
von: Cimarelli, A., et al.
Veröffentlicht: (2025)

Enhancing generalizability of machine learning general effective-viscosity turbulence model via tensor basis normalization
von: Ji, Ziqi, et al.
Veröffentlicht: (2024)

Quantum machine learning for efficient reduced order modelling of turbulent flows
von: Li, Han, et al.
Veröffentlicht: (2025)

Nonlinear projection-based model order reduction with machine learning regression for closure error modeling in the latent space
von: de Parga, S. Ares, et al.
Veröffentlicht: (2025)

Prediction of turbulent energy based on low-rank resolvent modes and machine learning
von: Fan, Yitong, et al.
Veröffentlicht: (2024)

Defiltering turbulent flow fields for Lagrangian particle tracking using machine learning techniques
von: Oura, Tomoya, et al.
Veröffentlicht: (2024)

Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics
von: Kim, Hojin, et al.
Veröffentlicht: (2023)

Prediction of turbulent channel flow using Fourier neural operator-based machine-learning strategy
von: Wang, Yunpeng, et al.
Veröffentlicht: (2024)

A probabilistic, data-driven closure model for RANS simulations with aleatoric, model uncertainty
von: Agrawal, Atul, et al.
Veröffentlicht: (2023)

On dissipation time scales of the basic second-order moments: the effect on the Energy and Flux-Budget (EFB) turbulence closure for stably stratified turbulence
von: Kadantsev, Evgeny, et al.
Veröffentlicht: (2023)

Predictability of weakly turbulent systems from spatially sparse observations using data assimilation and machine learning
von: Gupta, Vikrant, et al.
Veröffentlicht: (2024)

Semi-analytical eddy-viscosity and backscattering closures for 2D geophysical turbulence
von: Guan, Yifei, et al.
Veröffentlicht: (2025)

Online learning of eddy-viscosity and backscattering closures for geophysical turbulence using ensemble Kalman inversion
von: Guan, Yifei, et al.
Veröffentlicht: (2024)

Active learning of data-assimilation closures using Graph Neural Networks
von: Quattromini, Michele, et al.
Veröffentlicht: (2023)

Deterministic diffusion models for Lagrangian turbulence: robustness and encoding of extreme events
von: Li, Tianyi, et al.
Veröffentlicht: (2025)

Generative diffusion models for synthetic trajectories of heavy and light particles in turbulence
von: Li, Tianyi, et al.
Veröffentlicht: (2024)

Hierarchy of extreme-event predictability in turbulence revealed by machine learning
von: Yang, Yuxuan, et al.
Veröffentlicht: (2026)

Statistical analysis of vortex condensate motion in two-dimensional turbulence
von: Parfenyev, Vladimir
Veröffentlicht: (2023)

Toward a unified data-driven turbulence model through multi-objective learning
von: Liu, Zhuoran, et al.
Veröffentlicht: (2025)

Neural network-augmented eddy viscosity closures for turbulent premixed jet flames
von: Kakka, Priyesh, et al.
Veröffentlicht: (2025)

Training of particle-turbulence sub-grid-scale closures with just particle data
von: Rivera, G. Saltar, et al.
Veröffentlicht: (2026)

Deformation of ellipsoidal droplets in homogeneous and isotropic turbulence
von: Guglietta, Fabio, et al.
Veröffentlicht: (2025)

Single-snapshot machine learning for super-resolution of turbulence
von: Fukami, Kai, et al.
Veröffentlicht: (2024)

Linear stability of turbulent channel flow with one-point closure
von: Kashyap, P. V., et al.
Veröffentlicht: (2024)

Neural-ISAM: A hybrid in-situ machine learning approach for complex manifold-based combustion models in LES of turbulent flames
von: Fush, S. Trevor, et al.
Veröffentlicht: (2026)

Data-driven turbulence modeling
von: Cinnella, Paola
Veröffentlicht: (2024)

Improving turbulence control through explainable deep learning
von: Beneitez, Miguel, et al.
Veröffentlicht: (2025)

Mixed data-source transfer learning for a turbulence model augmented physics-informed neural network
von: Toma, Christian, et al.
Veröffentlicht: (2026)

A deep-water closure model for surface waves on axisymmetric swirling flows
von: Zuccoli, Emanuele, et al.
Veröffentlicht: (2024)

Drag modelling for flows through assemblies of spherical particles with machine learning: A comparison of approaches
von: Reuter, Julia, et al.
Veröffentlicht: (2025)

A features-embedded-learning immersed boundary model for large-eddy simulation of turbulent flows with complex boundaries
von: Zhou, Zhideng, et al.
Veröffentlicht: (2025)

Compressing fluid flows with nonlinear machine learning: mode decomposition, latent modeling, and flow control
von: Fukagata, Koji, et al.
Veröffentlicht: (2025)

Statistical State Dynamics based study of turbulence in Eady fronts. Part 1. Instability
von: Kim, Eojin, et al.
Veröffentlicht: (2025)

A proposal for automated turbulence modelling
von: Castelletti, Marco, et al.
Veröffentlicht: (2025)