An important class of multi-scale flow scenarios deals with an interplay between kinetic and continuum phenomena. While hybrid solvers provide a natural way to cope with these settings, two issues restrict their performance. Foremost, the inverse problem implied by estimating distributions has to be addressed, to provide boundary conditions for the kinetic solver. The next issue comes from defining a robust yet accurate switching criterion between the two solvers. This study introduces a data-driven kinetic-continuum coupling, where the Maximum-Entropy-Distribution (MED) is employed to parametrize distributions arising from continuum field variables. Two regression methodologies of Gaussian-Processes (GPs) and Artificial-Neural-Networks (ANNs) are utilized to predict MEDs efficiently. Hence the MED estimates are employed to carry out the coupling, besides providing a switching criterion. To achieve the latter, a continuum breakdown parameter is defined by means of the Fisher information distance computed from the MED estimates. We test the performance of our devised MED estimators by recovering bi-modal densities. Next, MED estimates are integrated into a hybrid kinetic-continuum solution algorithm. Here Direct Simulation Monte-Carlo (DSMC) and Smoothed-Particle Hydrodynamics (SPH) are chosen as kinetic and continuum solvers, respectively. The problem of monatomic gas inside Sod's shock tube is investigated, where DSMC-SPH coupling is realized by applying the devised MED estimates. Very good agreements with respect to benchmark solutions along with a promising speed-up are observed in our reported test cases.

一类重要的多尺度流动场景处理动力学和连续体现象之间的相互作用。虽然混合求解器提供了一种自然的方式来处理这些设置，但有两个问题限制了它们的性能。首先，必须解决估计分布所隐含的逆问题，以便为动力学求解器提供边界条件。下一个问题来自在两个求解器之间定义稳健而准确的切换标准。本研究引入了数据驱动的动力学-连续介质耦合，其中最大熵分布 (MED) 用于参数化由连续介质场变量引起的分布。高斯过程 (GP) 和人工神经网络 (ANN) 的两种回归方法被用来有效地预测 MED。因此使用 MED 估计来执行耦合，除了提供切换标准。为了实现后者，通过从 MED 估计值计算出的 Fisher 信息距离来定义连续分解参数。我们通过恢复双峰密度来测试我们设计的 MED 估计器的性能。接下来，MED 估计被集成到混合动力连续解算法中。这里分别选择直接模拟蒙特卡罗 (DSMC) 和平滑粒子流体动力学 (SPH) 作为动力学求解器和连续介质求解器。研究了 Sod 激波管内的单原子气体问题，其中 DSMC-SPH 耦合是通过应用设计的 MED 估计来实现的。在我们报告的测试案例中观察到关于基准解决方案的非常好的协议以及有希望的加速。连续分解参数通过从 MED 估计值计算的 Fisher 信息距离来定义。我们通过恢复双峰密度来测试我们设计的 MED 估计器的性能。接下来，MED 估计被集成到混合动力学连续解算法中。这里分别选择直接模拟蒙特卡罗 (DSMC) 和平滑粒子流体动力学 (SPH) 作为动力学求解器和连续介质求解器。研究了 Sod 激波管内的单原子气体问题，其中 DSMC-SPH 耦合是通过应用设计的 MED 估计来实现的。在我们报告的测试案例中观察到关于基准解决方案的非常好的协议以及有希望的加速。连续分解参数通过从 MED 估计值计算的 Fisher 信息距离来定义。我们通过恢复双峰密度来测试我们设计的 MED 估计器的性能。接下来，MED 估计被集成到混合动力学连续解算法中。这里分别选择直接模拟蒙特卡罗 (DSMC) 和平滑粒子流体动力学 (SPH) 作为动力学求解器和连续介质求解器。研究了 Sod 激波管内的单原子气体问题，其中 DSMC-SPH 耦合是通过应用设计的 MED 估计来实现的。在我们报告的测试案例中观察到关于基准解决方案的非常好的协议以及有希望的加速。我们通过恢复双峰密度来测试我们设计的 MED 估计器的性能。接下来，MED 估计被集成到混合动力连续解算法中。这里分别选择直接模拟蒙特卡罗 (DSMC) 和平滑粒子流体动力学 (SPH) 作为动力学求解器和连续介质求解器。研究了 Sod 激波管内的单原子气体问题，其中 DSMC-SPH 耦合是通过应用设计的 MED 估计来实现的。在我们报告的测试案例中观察到关于基准解决方案的非常好的协议以及有希望的加速。我们通过恢复双峰密度来测试我们设计的 MED 估计器的性能。接下来，MED 估计被集成到混合动力连续解算法中。这里分别选择直接模拟蒙特卡罗 (DSMC) 和平滑粒子流体动力学 (SPH) 作为动力学求解器和连续介质求解器。研究了 Sod 激波管内的单原子气体问题，其中 DSMC-SPH 耦合是通过应用设计的 MED 估计来实现的。在我们报告的测试案例中观察到关于基准解决方案的非常好的协议以及有希望的加速。这里分别选择直接模拟蒙特卡罗 (DSMC) 和平滑粒子流体动力学 (SPH) 作为动力学求解器和连续介质求解器。研究了 Sod 激波管内的单原子气体问题，其中 DSMC-SPH 耦合是通过应用设计的 MED 估计来实现的。在我们报告的测试案例中观察到关于基准解决方案的非常好的协议以及有希望的加速。这里分别选择直接模拟蒙特卡罗 (DSMC) 和平滑粒子流体动力学 (SPH) 作为动力学求解器和连续介质求解器。研究了 Sod 激波管内的单原子气体问题，其中 DSMC-SPH 耦合是通过应用设计的 MED 估计来实现的。在我们报告的测试案例中观察到关于基准解决方案的非常好的协议以及有希望的加速。