神经网络增强SED-SL建模应用于翼型绕流湍流计算
本文采用SED-SL-RBF的新型建模方法,利用有限NACA机翼的空气动力学数据增强了 SED-SL(壁湍流的结构系综动力学-应力长)模型,构建了机翼上湍流边界层的多层结构(MLS),并利用机器学习从实验数据中重建模型参数.该方法应用于九种不同类型的NACA机翼上的湍流,具有广泛的雷诺数和攻角范围.研究采用RBF(径向基函数)神经网络重建模型参数(l∞0和y∞buf),并将其应用于SED-SL的CFD数值计算.相较Menter SST湍流模型,SED-SL-RBF模型提升了在同样几何形状和流动条件下升力和阻力系数的预测精度.预测升力系数CL的精确度超过了95％,而预测阻力系数CD的误差则小于6 count.神经网络增强的SED-SL模型对压力场的预测精度也非常高.NACA 2421的MLS参数表现出不随攻角变化的相似性,并可视其为由雷诺数刻画的函数.该结果表明,NACA 2421的MLS参数与失速前的攻角大小无关.该相似行为为模拟各种物理条件下的机翼流动提供了一种可行的方案.未来期望整合数据以揭示模型参数方面的模型内在差异,从而将SED-SL-RBF模型的适用性扩展到更广泛的流动场景.
翼型绕流、湍流计算、naca、模型参数、神经网络重建、sst湍流模型、湍流边界层、cfd数值计算、重建模型、空气动力学
40
O357.5;V211.3;TK733.1
2024-07-16（万方平台首次上网日期，不代表论文的发表时间）
共15页
72-86
