Turbulence Modeling in the Age of Data
从实验和直接模拟湍流的数据历来被用来校准简单的工程模型,如那些基于雷诺平均Navier-Stokes(RANS)方程。在过去的几年中,随着大量不同数据集的可用性,研究人员已经开始探索用数据系统地告知湍流模型的方法,目标是量化和减少模型的不确定性。本文综述了RANS模型中通过物理约束来限制不确定性、采用统计推断来表征模型系数和估计差异以及使用机器学习来改进湍流模型的最新进展。讨论了主要原则、成就和挑战。在这篇评论中提倡的一个中心观点是,通过利用湍流建模和物理约束的基础知识,数据驱动的方法可以产生有用的预测模型。
2018-09-29 physics.comp-ph physics.flu-dyn
A curated dataset for data-driven turbulence modelling
最近机器学习增强湍流模型的兴起是解决雷诺平均Navier-Stokes(RANS)模型局限性的一种有前途的方法。这项工作提出了第一个开源数据集的开发,策划和结构化的机器学习增强湍流闭合建模中立即使用。该数据集具有各种RANS模拟与匹配的直接数值模拟(DNS)和大涡模拟(LES)数据。选择四个湍流模型来形成初始数据集:$k$ - $\varepsilon$、$k$ - $\varepsilon$-$ϕ_t$ - $f$、$k$ - $ω$和$k$ - $ω$ SST。该数据集由29例每个湍流模型,几个参数扫描参考DNS/LES的情况下:周期性的山丘,方形管道,参数颠簸,收敛发散通道,和弯曲的后向步骤。在895,640个点中的每一个点上,具有DNS/LES标签的各种RANS功能可用。该特征集包括当前最先进模型中使用的数量,以及能够生成新特征集的附加字段。该数据集减少了训练、测试和基准测试新模型所需的工作量。该数据集可在https://doi.org/10.34740/kaggle/dsv/2044393上获得。
2021-03-21 physics.comp-ph physics.flu-dyn
A Random Matrix Approach for Quantifying Model-Form Uncertainties in Turbulence Modeling
随着雷诺平均纳维尔-斯托克斯(RANS)模拟在关键任务应用中的日益广泛应用,RANS模型中模型形式不确定性的量化已经引起湍流模拟界的关注。最近,已经提出了一种基于物理的非参数方法,用于量化RANS模拟中的模型形式的不确定性,其中雷诺应力被投影到物理上有意义的尺寸,并且扰动仅在物理上可实现的极限内引入。然而,与这种方法相关的挑战是评估先验分布中引入的信息量,并避免施加不必要的约束。在这项工作中,我们提出了一个随机矩阵的方法来量化模型形式的不确定性,在RANS模拟的雷诺应力的可实现性保证。此外,最大熵原理被用来识别的概率分布,满足现有的信息的约束,但不引入人为的约束。我们表明,所提出的方法是能够确保雷诺应力的可实现性,虽然从基于物理的方法以不同的方式。通过多项式混沌展开将独立的高斯随机场映射到雷诺应力随机场,并使其具有指定的边缘分布和相关结构,从而实现了对所得到的概率分布的Monte Carlo抽样。对一个典型的分离流动进行了数值模拟,得到了物理上合理的结果,验证了该方法的有效性。因此,所提出的方法是基于物理的方法的一种有前途的替代方法,用于RANS模拟的模型形式不确定性量化。本文所探索的方法具有普遍性,可推广到应用力学和工程中的其它复杂物理系统。
2016-03-31 physics.comp-ph physics.flu-dyn
Deep learning for turbulent channel flow
湍流模拟是研究流体湍流多尺度特性的经典方法。而不是解决所有尺度的运动,这是目前数学和数值上棘手的,减少模型,捕捉大规模的行为。最流行的简化模型之一是雷诺平均Navier-Stokes(RANS)方程。目标是求解平均速度和压力场的RANS方程。然而,RANS方程包含一个称为雷诺应力张量的项,该项在平均速度场方面是未知的。已经提出了许多RANS湍流模型来根据平均速度场模拟雷诺应力张量,但通常不能适用于所有感兴趣的流场。数据驱动的湍流模型最近获得了相当大的关注,并得到了迅速发展。在一项开创性的工作中,Ling等人(2016)开发了张量基神经网络(TBNN),用于学习雷诺应力张量的一般伽利略不变模型。TBNN被应用到各种流场与令人鼓舞的结果。在本研究中,TBNN被应用到湍流槽道流动。它的性能与经典的湍流模型,以及不保持伽利略不变性的神经网络模型进行了比较。对TBNN的敏感性研究表明,该网络试图根据数据集进行调整,但受到保证伽利略不变性的数学形式的限制。
2018-12-05 physics.comp-ph physics.flu-dyn
Quantification of Uncertainties in Turbulence Modeling: A Comparison of Physics-Based and Random Matrix Theoretic Approaches
基于雷诺平均Navier-Stokes(RANS)方程的数值模型在工程湍流模拟中得到了广泛的应用。然而,RANS预测有很大的模型形式的不确定性,许多复杂的流动。这些大的不确定性来源于模拟雷诺应力的量化引起了湍流模拟界的关注。最近,一个基于物理的贝叶斯框架量化模型形式的不确定性已经提出了成功的应用到几个流。然而,如何在不引入不必要的人工信息的情况下指定适当的先验,仍然是当前形式的基于物理的方法的挑战。最近提出的另一种基于随机矩阵理论的方法提供了具有最大熵的先验分布,这是RANS模拟中模型形式的不确定性量化的替代方案。在这项工作中,我们利用随机矩阵理论的方法来评估,并可能提高规范的先验知识中使用的物理为基础的方法。数值结果表明,为了在雷诺应力的先验分布中实现最大熵,形状参数在重心坐标系中的扰动服从正态分布。此外,湍流动能的扰动应符合对数正态分布。最后,它揭示了每个物理变量的方差应该有多大,以实现近似的最大熵先验。该结论可用于指导在基于物理的贝叶斯不确定性量化框架中确定合适的先验。
2016-03-17 physics.comp-ph
Quantification of Model Uncertainty in RANS Simulations: A Review
在工业流动的计算流体动力学模拟中,基于雷诺平均Navier-Stokes(RANS)方程的模型预计在未来几十年内将发挥重要作用。然而,模型的不确定性仍然是RANS模拟预测能力的主要障碍。本文综述了湍流模型中的参数和结构不确定性。我们回顾了最近的文献中的无数据(不确定性传播)和数据驱动(统计推断)的方法来量化和减少模型的不确定性在RANS模拟。此外,在RANS模型不确定性量化的背景下,介绍了不确定性传播和贝叶斯推断的基本原理。最后,简要回顾了尺度分辨模拟中的不确定性文献,特别强调了大涡模拟。
2018-09-27 physics.comp-ph physics.flu-dyn
A New RANS Correction to Account for Varying Viscosity Effects
先前已经表明,通过空间改变粘度来增加通道上的雷诺数不会引起湍流结构尺寸的立即变化,并且实际上在壁剪切和摩擦雷诺数中观察到延迟(Coppo Leite,V. & Merzari,E.,ASME 2020 FEDSM会议录,第V003 T05 A019页)。此外,它还表明,取决于长度的流动条件的变化,湍流猝发中观察到的湍流场。对于目前的工作,我们提出了一个新版本的标准雷诺平均Navier Stokes(RANS)的k-τ模型,其中包括一些修改的生产条款,以考虑这些影响。新提出的模型可能是有用的许多工程应用,湍流的特点是温度梯度和高传热率经常看到在换热器,炉膛和核反应堆。在这些应用中,工作流体的热和粘性特性是取决于温度的重要设计参数;因此,很可能在这些标量场上观察到强梯度。为了实现我们的目标,修改的k-tau模型的实施和测试的通道流与空间变化的粘度在流向方向。使用Nek 5000,在阿贡国家实验室(ANL)开发的光谱元素代码进行数值模拟。最后,考虑湍流通道使用所提出的模型的结果进行了比较,从早期的工作使用直接数值模拟获得的数据。
2021-06-10 physics.comp-ph physics.flu-dyn
Assessment of Hybrid RANS-LES and WALE Formulations for Wake and Resistance Prediction of the BB2 Submarine
GEM ECN(南特国立高等电子、计算机和电信学院);Sirehna-Naval Group(西雷纳-海军集团);eye-PI(眼PI)
本研究针对BB2潜艇高Re尾流与阻力预测,评估基于Taylor微尺度细化的混合RANS-LES及WALE模型,证明壁面建模瞬态模拟可更细致捕捉非对称涡和湍流脉动且保持阻力精度。
2025-10-03 physics.class-ph physics.comp-ph physics.flu-dyn
Reynolds-Averaged Turbulence Modeling Using Type I and Type II Machine Learning Frameworks with Deep Learning
基于深度学习(DL)的雷诺应力具有利用大数据值的能力,可用于闭合雷诺平均纳维-斯托克斯(RANS)方程。研究了I型和II型机器学习(ML)框架,以调查在训练基于DL的雷诺应力时的数据和流动特征要求。本文提出了一种方法,流动特征覆盖映射(FFCM),量化的DL为基础的封闭,可用于检查的训练数据点的充分性,以及输入的数据驱动的湍流模型的流动特征的物理覆盖。三个案例研究制定证明的性质,I型和II型ML。第一种情况表明,当训练数据不能充分覆盖瞬态细节时,具有基于DL的雷诺应力的RANS方程的误差随着模拟时间的推移而累积。第二种情况使用I型ML来表明DL可以从在不同时间采样的数据中计算出流量瞬变的时间历史。实例研究还表明,基于DL的闭包的充要流动特征是速度场的一阶空间导数。最后一个例子说明了II型ML在非定常流模拟中的局限性。II型ML要求初始条件足够接近参考数据。参考数据可用于改进RANS模拟。
2018-04-12 physics.comp-ph physics.flu-dyn
A Priori Assessment of Prediction Confidence for Data-Driven Turbulence Modeling
尽管雷诺平均纳维尔-斯托克斯(RANS)方程仍然是工程设计和涉及湍流的分析应用的主要工具,但已知标准RANS模型在许多与工程相关的流动中是不可靠的,包括具有分离、强压力梯度或平均流动曲率的流动。随着大涡模拟(LES)和直接数值模拟(DNS)等方法获得的大量三维实验数据和高精度模拟数据的不断增加,数据驱动的湍流模型已成为提高RANS模拟预测能力的一种很有前途的方法。最近,已经提出了通过机器学习的数据驱动的湍流建模方法,以基于来自密切相关的流的高保真数据来预测给定流的雷诺应力各向异性。在这项工作中,不同的流量的接近程度进行了调查,以评估预测的信心先验。具体而言,Mahalanobis距离和核密度估计(KDE)技术被用作度量,以量化特征空间中的流数据集之间的距离。以Re=10595的周期性山丘上的流动作为测试集,以7种不同构型的流动作为训练集。结果表明,雷诺应力各向异性的预测误差与Mahalanobis距离和KDE距离呈正相关,表明两种外推度量均可用于先验地估计预测置信度。使用相关系数的定量比较表明,Mahalanobis距离在估计预测置信度方面不如KDE距离准确。在这项工作中引入的外推度量和相应的分析提供了一种方法,以帮助选择的数据源,并评估数据驱动的湍流建模的预测置信度。
2017-03-26 physics.comp-ph physics.flu-dyn
Quantifying model form uncertainty in Reynolds-averaged turbulence models with Bayesian deep neural networks
在雷诺平均纳维尔-斯托克斯(RANS)模拟中,用于改进湍流模型的数据驱动方法在计算流体动力学界引起了极大的兴趣。现代机器学习算法开辟了黑箱湍流模型的新领域,允许调整RANS模拟以提高其预测精度。虽然已经报道了几种数据驱动的湍流模型,但引入的不确定性的量化大多被忽视。这种数据驱动的模型的不确定性量化是必不可少的,因为它们的预测能力迅速下降,因为它们被测试为偏离训练数据中的流动物理。在这项工作中,我们提出了一种新的数据驱动的框架,不仅提高了RANS预测,但也提供了概率边界的流体量,如速度和压力。不确定性捕获模型形式的不确定性以及有限的训练数据引起的认知不确定性。不变贝叶斯深度神经网络用于预测雷诺应力的各向异性张量分量。该模型使用Stein变分梯度下降算法进行训练。雷诺应力的计算不确定性通过香草蒙特卡罗模拟传播到感兴趣的量。两个测试的情况下,不同的几何形状的训练流在几个不同的雷诺数的结果。数据驱动模型的预测增强进行了讨论,以及相关的概率边界感兴趣的流特性。最终,该框架允许对模型置信度进行定量测量,并对没有高保真观测或先验知识的流进行不确定性量化。
2019-02-02 physics.comp-ph physics.flu-dyn stat.ML
The Closure Challenge: a benchmark task for machine learning in turbulence modelling
Center for Computational Science and Engineering, Massachusetts Institute of Technology(麻省理工学院计算科学与工程中心);Aerodynamics Group, Faculty of Aerospace Engineering, TU Delft(代尔夫特理工大学航空航天工程学院空气动力学组);Institut Jean Le Rond D’Alembert, Sorbonne University(索邦大学让·勒朗·达朗贝尔研究所)
本文提出一个针对机器学习在RANS湍流建模中的基准挑战,提供标准化数据集和评估代码,解决缺乏统一评估指标的问题,并展示初步结果。
2026-03-30 physics.comp-ph physics.data-an physics.flu-dyn
Space-dependent Aggregation of Stochastic Data-driven Turbulence Models
提出一种结合贝叶斯符号识别和混合专家的随机机器学习方法,通过依赖空间的模型聚合技术(XMA)提升数据驱动RANS湍流模型的预测精度、泛化能力并量化不确定性。
2024-05-03 physics.comp-ph physics.flu-dyn
Machine learning methods for turbulence modeling in subsonic flows over airfoils
在未来的几十年里,雷诺平均纳维尔-斯托克斯(RANS)方法仍将在航空航天工程中发挥重要作用。尽管RANS模型被广泛使用,但模型之间的不一致性和较大的差异降低了模拟复杂流动的可靠性。因此,近年来,数据驱动湍流模型引起了流体力学的广泛关注。基于实验/数值模拟结果,该方法旨在通过机器学习技术修改或构建特定目的的湍流模型。本文将SA模型计算的结果作为训练数据。与低雷诺数湍流不同,高雷诺数流动的数据表现出明显的尺度效应,从而导致数据驱动的模拟困难。为了提高拟合精度,将流场划分为近壁区、尾迹区和远场区,并对每个区域分别建立模型。本文采用径向基函数神经网络(RBFNN)和一些辅助优化算法来重构平均变量与涡粘性之间的映射函数。由于该模型反映了局部流动特性与湍流涡粘性的关系,因此与翼型形状和流动条件无关。本文中的训练数据仅由NACA 0012翼型的三个亚音速流场计算产生。将该方法与N-S方程耦合,计算了不同流动工况和两种不同翼型的涡粘性等值线、壁面法向速度分布和表面摩擦系数分布等,与SA模型进行了比较,结果显示了合理的精度和更好的效率,表明了数据驱动方法在湍流模拟中的积极前景。
2018-07-04 physics.comp-ph physics.flu-dyn
Data-Driven Modelling of the Reynolds Stress Tensor using Random Forests with Invariance
提出了一种新的机器学习算法,用于雷诺平均Navier-Stokes(RANS)数值模拟的数据驱动湍流模型工具。这种机器学习算法被称为张量基随机森林(TBRF),用于预测牛顿应力各向异性张量,同时通过使用张量基来保证伽利略不变性。通过修改随机森林算法接受这样的张量基础,一个强大的,易于实现,易于训练的算法创建。该算法使用DNS/LES数据在几种流动情况下进行训练,并用于预测新的、看不见的流动的雷诺应力各向异性张量。湍流各向异性的预测结果用作自定义RANS求解器中的湍流模型。该求解器的稳定化是必要的,并且通过连续方法和修改的$k$方程来实现。将结果与Ling等人的神经网络方法进行比较[J. Fluid Mech,807(2016):155-166,(2016)]。结果表明,TBRF算法能够准确地预测各向异性张量的各种流动情况下,与DNS/LES参考数据接近的可实现的预测。相应的平均流量为方形管道流的情况下,和一个向后面对的台阶流的情况下,显示出良好的协议与DNS和实验数据集。总的来说,这些结果被视为改进湍流数据驱动模型的下一步。这就创造了一个机会,为特定类别的流动生成自定义湍流闭合,仅受LES/DNS数据的可用性限制。
2020-03-17 physics.comp-ph physics.flu-dyn
Transferable inference of turbulence models for urban flows with the Parameter-Regularised Ensemble Kalman Filter
Université Libre de Bruxelles(布鲁塞尔自由大学);Aero-Thermo-Mechanics Laboratory(气动热力学实验室);Brussels Institute for Thermal-Fluid Systems and Clean Energy (BRITE)(布鲁塞尔热流体系统与清洁能源研究所);Department of Aeronautics, Imperial College London(帝国理工学院航空系);I-X, Imperial College London(帝国理工学院I-X);DIMEAS, Politecnico di Torino(都灵理工大学);Brussels Institute for Advanced Studies (BrIAS)(布鲁塞尔高等研究院);WEL Research Institute(WEL研究所)
研究城市流动中雷诺平均纳维-斯托克斯(RANS)模拟参数推断的可转移性问题,提出参数正则化集合卡尔曼滤波器(PR-EnKF)方法,可快速收敛,减少参数不确定性和重建误差。
2026-07-07 physics.comp-ph physics.data-an physics.flu-dyn
Normalizing Flows as a Novel PDF Turbulence Model
本文提出了一种新的概率密度函数湍流模型(NF-PDF模型)--归一化流(NF)模型,用于求解雷诺平均Navier-Stokes(RANS)方程。我们建议以两种不同的方式使用归一化流:首先,作为雷诺应力张量的直接模型,其次作为二阶矩闭合模型,即用于模拟雷诺应力输运方程中的压力-应变和耗散张量。在经典的PDF闭合模型中,必须对随机微分方程进行建模和求解以获得湍流量的样本。NF-PDF闭合模型允许从波动湍流量的基本概率密度函数直接采样,从而可以计算整体平均量。为了说明这种方法,我们展示了均匀剪切湍流的典型情况下的应用。训练数据从高保真直接数值模拟(DNS)中提取。
2021-01-10 physics.comp-ph physics.flu-dyn
A multiscale approach to hybrid RANS/LES wall modeling within a high-order discontinuous Galerkin scheme using function enrichment
Institute for Computational Mechanics, Technical University of Munich(慕尼黑工业大学计算力学研究所)
本文提出了一种基于函数富集的混合RANS/LES壁模型方法,通过多尺度湍流建模方法和对应的不连续伽辽金离散化方案,解决了RANS-LES过渡问题,并实现了边界处的粗网格模拟。
2017-12-27 cs.NA math.NA physics.comp-ph
Physics-Informed Tensor Basis Neural Network for Turbulence Closure Modeling
针对线性涡黏性模型无法准确预测复杂湍流的问题,提出结合深度神经网络与可实现性约束的物理信息张量基神经网络,显著提升了传统复杂工况下各向异性张量的预测精度。
2023-11-24 physics.comp-ph physics.flu-dyn
Review and Examination of Input Feature Preparation Methods and Machine Learning Models for Turbulence Modeling
模型外推到看不见的流动是数据驱动湍流建模面临的最大挑战之一,特别是对于涉及许多流动特征的高维输入模型。在这项研究中,我们回顾了以前在数据驱动的雷诺平均朴素斯托克斯(RANS)湍流建模和模型外推方面的工作,主要关注迁移学习领域中使用的流行方法。几个潜在的指标来衡量训练流和测试流之间的差异进行检查。比较不同的机器学习(ML)模型,以了解模型的容量或复杂性如何影响其在数据集迁移时的行为。研究了对协变量偏移具有鲁棒性的数据预处理方案,如归一化、变换和重要性重新加权似然,以了解是否有可能找到衰减训练和测试分布差异的数据投影,同时保持可预测性。提出了三个度量来评估训练/测试数据集之间的差异。为了减弱相异性,使用分布匹配框架来对齐分布的统计。这些修改还允许回归任务在预测目标变量的代表性不足的极值时具有更好的准确性。这些研究结果有助于未来基于ML的湍流模型评估其模型可预测性,并为系统地生成多样化的高保真模拟数据库提供指导。
2020-01-15 physics.comp-ph physics.flu-dyn
Turbulence closure modeling with data-driven techniques: Investigation of generalizable deep neural networks
基于机器学习(ML)的湍流闭合的可推广性,以准确预测看不见的实际流动仍然是一个重要的挑战。在雷诺平均Navier-Stokes(RANS)水平上,由于两个重要原因,基于NN的湍流闭合模型变得困难:由流动相关的非线性和分叉引起的本构关系的固有复杂性;以及,难以获得覆盖整个参数空间的高保真数据。在这种情况下,工作的目标是调查标准的中等规模的全连接神经网络的逼近能力。我们试图系统地研究的影响:(一)固有的复杂性的解决方案流形;(二)采样程序(内插与外推)和(iii)优化程序。为了克服数据采集的挑战,三个不同程度的复杂性(但明显比湍流物理简单)的代理物理湍流代理生成的参数到解决方案的地图。即使对于这个简单的代理物理系统,也证明了前馈NN需要比原始代理物理模型更多的自由度,以准确地近似真实模型,即使在整个参数空间(插值)上使用数据进行训练。此外,如果深度全连接NN仅使用来自部分参数空间的数据进行训练(外推),则其近似能力会大大降低,并且无法直接找到最佳架构。总的来说,研究结果提供了一个现实的观点ML湍流关闭的实用程序的实际应用,并确定改进的领域。
2021-11-04 physics.comp-ph physics.data-an physics.flu-dyn
Mean-flow Data Assimilation based on minimal correction of turbulence models: application to turbulent high-Reynolds number backward-facing step
在这篇文章中,我们提供了一种方法来重建高雷诺数湍流平均流量从几个时间平均测量。一个湍流在一个面向后的步骤在Re = 28275被认为是说明的潜力的方法。的数据同化过程,基于变分方法,包括在校正给定的基线模式,通过调整空间相关的源项,使相应的解决方案匹配现有的测量(这里获得的直接数值模拟)。这里选择的基线模型由湍流Spalart-Allmaras模型封闭的雷诺平均Navier-Stokes(RANS)方程组成。我们调查了两种可能的调谐功能:源项的动量方程,这是能够补偿的不足之处,在建模的雷诺应力Boussinesq近似和源项的湍流方程,它修改了涡粘性生产和耗散之间的平衡。平均流重建的质量在很大程度上取决于基线模型和测量的数量。在许多测量的情况下,非常准确的重建的平均流得到的模型校正的源项的动量方程,而重建更近似时,调整源项的湍流模型。在很少测量的情况下,这种修正湍流模型的“刚性”被有利地使用,并允许最佳的平均流重建。根据源项和测量之间的线性输入/输出算子的奇异值分解,进一步讨论了模型的灵活性/刚性。
2020-06-22 physics.comp-ph physics.flu-dyn
Implicit High-Order Gas Kinetic Scheme for Turbulence Simulation
近年来,二阶气体动力学格式(GKS)与传统的湍流模型相结合,被用于湍流的数值模拟。同时,发展了高阶GKS格式,如两级四阶格式(S_2O_4)GKS,并用于层流计算。本文针对高雷诺数工程湍流问题,在S2 O 4框架下发展了一种隐式高阶低-上对称高斯-赛德尔(LU-SGS)方法。基于Vreman型大涡模拟模型和$k - ω$ SST模型,在隐式高阶GKS方法中,针对高雷诺数湍流,得到了一个湍流弛豫时间,并将其用于增大颗粒碰撞时间。数值试验包括不可压衰减均匀各向同性湍流、不可压高雷诺数平板湍流、NACA 0012翼型绕流不可压湍流、RAE 2822翼型绕流跨音速湍流和ARA M100跨音速高雷诺数翼身湍流。比较了当前隐式高阶GKS、显式高阶GKS、隐式二阶GKS和实验测量的数值解。通过这些算例,可以看出高阶GKS在空间和时间上都有很高的精度,尤其是对于光滑流,在粗网格上得到的湍流场比二阶GKS更精确。此外,显着加速的计算效率,以及在模拟复杂流动的超级鲁棒性被证实目前隐式高阶GKS。这项研究还表明,湍流模型中起着主导作用的捕获物理解决方案,如在跨音速三维复杂的RANS模拟,与数值离散误差相比。
2019-04-03 physics.comp-ph physics.flu-dyn
Fast Macroscopic Forcing Method
本文提出快速宏观强迫方法,结合稀疏重构与矩阵-向量乘积,仅用少量DNS模拟即可高效重构湍流闭合算子,在层流和湍流通道流中分别以1%和13%的代价恢复涡扩散率算子,精度较随机低秩方法提升约100倍。
2023-06-23 physics.comp-ph physics.flu-dyn