近期，《Journal of Fluid Mechanics》刊登了中国科学院力学研究所何国威研究员科研团队在湍流/非湍流界面机器学习识别方面的研究进展。论文题目是《应用机器学习探测圆柱尾流中湍流区域》（Using machine learning to detect the turbulent region in flow past a circular cylinder）。

　　在自然界和工业界的流动中，存在大量湍流与非湍流共存的流动状态，找到湍流和非湍流的界面对发展计算模型至关重要，传统的湍流/非湍流界面识别通常基于湍流的某一特征（例如非定常性、具有不同尺度的涡等）选择对应的物理量（例如脉动能量、涡量幅值等）并指定相应阈值进行识别，这种方法的局限性在于特征量以及阈值的选择具有主观性，无法客观全面的反映湍流的特性。

　　研究团队提出使用极端梯度提升法（XGBoost）算法对圆柱尾流（图1上）中的湍流/非湍流界面进行识别。XGBoost方法可以同时处理多个输入变量，为了得到与坐标系无关的识别模型，我们选择流动变量中的不变量作为模型输入，经过一系列湍流输运方程的推导，我们选择了平均运动的应变率张量和涡张量、脉动应变率张量、脉动涡张量、以及这些张量的二次张量的所有非平凡不变量，再加上脉动速度能量共计16个物理量作为输入变量进行模型训练。XGBoost方法属于机器学习中的监督学习方法，除了给出训练样本的输入变量外，还需要给出对应的流动状态，因此我们从流动状态已知的区域进行采样（图1下），训练完成后将模型用于全场，得到每一个离散点上的流动状态，从而得到湍流/非湍流界面（图2中的实线）。

　　该论文得到了国家自然科学基金基础科学中心项目(基金号 11988102)的支持。论文链接： https://doi.org/10.1017/jfm.2020.725。