Buchumschlag

Towards Physics Constrained Deep Learning Based Turbulence Model Uncertainty Quantification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chu, Minghan, Qian, Weicheng
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

Physics Constrained Deep Learning For Turbulence Model Uncertainty Quantification
von: Chu, Minghan, et al.
Veröffentlicht: (2024)

A Deep Learning Approach For Epistemic Uncertainty Quantification Of Turbulent Flow Simulations
von: Chu, Minghan, et al.
Veröffentlicht: (2024)

Physics-Guided Machine Learning for Uncertainty Quantification in Turbulence Models
von: Chu, Minghan, et al.
Veröffentlicht: (2025)

Convolutional Neural Networks For Turbulent Model Uncertainty Quantification
von: Chu, Minghan, et al.
Veröffentlicht: (2024)

Physics Based & Machine Learning Methods For Uncertainty Estimation In Turbulence Modeling
von: Chu, Minghan
Veröffentlicht: (2024)

Uncertainty Quantification in Computational Fluid Dynamics: Physics and Machine Learning Based Approaches
von: Chu, Minghan
Veröffentlicht: (2023)

Uncertainty Quantification in Resolvent Analysis of Experimental Wall-Bounded Turbulent Flows
von: Gomez, Salvador Rey, et al.
Veröffentlicht: (2025)

Uncertainty and Error Quantification for Data-Driven Reynolds-Averaged Turbulence Modelling with Mean-Variance Estimation Networks
von: Man, Anthony, et al.
Veröffentlicht: (2025)

Physics-Constrained Diffusion Model for Synthesis of 3D Turbulent Data
von: Li, Tianyi, et al.
Veröffentlicht: (2026)

On Deep-Learning-Based Closures for Algebraic Surrogate Models of Turbulent Flows
von: Eiximeno, Benet, et al.
Veröffentlicht: (2024)

Developing a Model-Consistent Reduced-Dimensionality training approach to quantify and reduce epistemic uncertainty in separated flows
von: Chu, Minghan
Veröffentlicht: (2024)

Uncertainty in Elastic Turbulence
von: King, Jack R. C., et al.
Veröffentlicht: (2025)

Realizability-Constrained Machine Learning for Turbulence Closures in Wake Flows
von: Ansari, Talib, et al.
Veröffentlicht: (2026)

Quantifying Model Uncertainty of Neural Network-based Turbulence Closures
von: Grogan, Cody, et al.
Veröffentlicht: (2024)

Uncertainty Quantification and Flow Dynamics in Rotating Detonation Engines
von: Kumar, Vinay, et al.
Veröffentlicht: (2025)

Adjoint-based Particle Forcing Reconstruction and Uncertainty Quantification
von: Domínguez-Vázquez, Daniel, et al.
Veröffentlicht: (2022)

Optimized Flow Control based on Automatic Differentiation in Compressible Turbulent Channel Flows
von: Wang, Wenkang, et al.
Veröffentlicht: (2024)

A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems
von: Menicali, Luca, et al.
Veröffentlicht: (2025)

Predictive Model and Optimization of Micromixers Geometry using Gaussian Process with Uncertainty Quantification and Genetic Algorithm
von: Maionchi, Daniela de Oliveira, et al.
Veröffentlicht: (2024)

Predicting Turbulence Structure In Street-Canyon Flows using Deep Generative Modeling
von: Jaroslawski, Tomek, et al.
Veröffentlicht: (2025)

Uncertainty Growth in Stably Stratified Turbulence
von: Powdel, Mrinal Jyoti, et al.
Veröffentlicht: (2025)

Two-point Turbulence Closures in Physical Space
von: Zambrano, Noah, et al.
Veröffentlicht: (2025)

Fluctuations around Turbulence Models
von: Tuteri, Flavio, et al.
Veröffentlicht: (2025)

Performance Evaluation of RANS-Based Turbulence Models in Predicting Turbulent Non-Premixed Swirling Combustion within a Realistic Can Combustor
von: Kumar, Aishvarya, et al.
Veröffentlicht: (2026)

A Divide-and-Conquer Machine Learning Approach for Modelling Turbulent Flows
von: Man, Anthony, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Multi-fidelity Simulations
von: Kumar, Swapnil
Veröffentlicht: (2025)

Uncertainty Quantification of Drag Reduction over Superhydrophobic Surfaces by Unified Parameterizing Structure Spacing
von: Kim, Byeong-Cheon, et al.
Veröffentlicht: (2025)

Probabilistic Eddy Identification with Uncertainty Quantification
von: Covington, Jeffrey, et al.
Veröffentlicht: (2024)

Flow Topology Optimization at High Reynolds Numbers Based on Modified Turbulence Models
von: Wu, Chenyu, et al.
Veröffentlicht: (2022)

Generalization Capability of Deep Learning for Predicting Drag Reduction in Pulsating Turbulent Pipe Flow with Arbitrary Acceleration and Deceleration
von: Kumazawa, Sota, et al.
Veröffentlicht: (2025)

A Priori Uncertainty Quantification of Reacting Turbulence Closure Models using Bayesian Neural Networks
von: Pash, Graham, et al.
Veröffentlicht: (2024)

Confirming Wave Turbulence Predictions in Rotating Turbulence
von: Shaltiel, Omri, et al.
Veröffentlicht: (2025)

Multi-Scale Data Assimilation in Turbulent Models
von: Fossella, Francesco, et al.
Veröffentlicht: (2025)

Physics-Informed Deep Operator Learning for Computational Hydraulics Modeling
von: Liu, Xiaofeng, et al.
Veröffentlicht: (2026)

Large Language Model Driven Development of Turbulence Models
von: Yang, Zhongxin, et al.
Veröffentlicht: (2025)

Toward Meshless Turbulent Flow Simulation: LES-Integrated Vortex Particle Method
von: Martins, Flavio A. C., et al.
Veröffentlicht: (2026)

Wave-Particle Turbulence Simulation of Spatially Developing Round Jets: Turbulent Flow Modeling and Method Validation
von: Yang, Xiaojian, et al.
Veröffentlicht: (2025)

Non-Unique Machine Learning Mapping in Data-Driven Reynolds Averaged Turbulence Models
von: Man, Anthony, et al.
Veröffentlicht: (2023)

Acceleration of Lagrangian Particles in Shell Models of Turbulence
von: Piro, Lorenzo, et al.
Veröffentlicht: (2025)

Theoretical Refinements of the Smagorinsky Model for Turbulence Simulations
von: Santos, Rômulo Damasclin Chaves dos
Veröffentlicht: (2024)