马夸特方法在湍流粘度模型中训练神经网络预测器的改进

DOI:

评审日期

出版日期

注解: 本文的主题是在训练神经网络中使用的数值优化方法，这些方法在湍流粘度的一些现代模型中充当预测组件。 学习问题的定性解决方案（最小化神经网络残差的功能）通常需要显着的计算成本，因此，提高学习速度的任务非常紧迫，这通常通过联合应用更快收敛到解的数值方法和计算并行化来解决。 特别感兴趣的是Marquardt方法，它包含一个参数，允许您通过切换方法来加速解决方案：从远离解决方案的最陡下降到解决方案附近的牛顿方法。 提出了Marquardt方法的修改，使用有限系列随机样本来改进当前点并计算方法参数。 在himmelblau和Rosenbrock的测试函数以及训练用于湍流建模的神经网络预测器的实际问题上，数值实验显示了该方法的足够好的特性。 使用这种方法可以显着加快湍流粘度校正模型中神经网络预测器的训练。 该方法与纯随机搜索相比不那么费力，特别是与少量计算内核相比，同时它给出了一个足够接近随机搜索结果的解决方案，并且与原始Marquardt方法相比更好。

出版日期: