基于人工神经网络的亚格子应力建模
亚格子(SGS)应力建模在湍流大涡模拟(LES)中有着极为重要的作用. 传统亚格子应力模型存在相对误差较大、耗散过强等问题. 近年来, 计算机技术的发展使得人工神经网络(ANN)等机器学习方法逐渐成为亚格子应力建模型的新研究范式. 本文着重考虑滤波宽度及雷诺数影响, 在不可压缩槽道湍流中建立了亚格子应力的ANN模型. 该模型以滤波后的直接数值模拟(fDNS)流场物理量及滤波尺度为输入信息, 相应滤波尺度下的亚格子应力为输出量. 通过对不同滤波尺度及不同雷诺数数据的训练, ANN模型能够给出与直接数值模拟(DNS)高度吻合的亚格子应力. 此外, 模型在亚格子耗散等非ANN建模量上也有着优异的预测性能, 与基于DNS获得的对应物理量的相关系数大都在0.9以上, 较梯度模型及Smagorinsky模型有明显提升. 在后验测试中, ANN模型对流向平均速度剖面的预测同样优于梯度模型、Smagorinsky模型及隐式大涡模拟(ILES)等传统LES模型. 在脉动速度均方根预测方面, 除了某些法向位置外ANN模型的性能整体上相对其他3个模型有所提升. 然而, 随着网格尺度的增大ANN模型预测的结果与fDNS结果的偏差逐渐增大. 总之, ANN方法在发展高精度亚格子应力模型上具有很大的潜力.
湍流;大涡模拟;人工神经网络;亚格子应力;滤波宽度
53
O357(流体力学)
国家自然科学基金资助项目91852112
2021-11-25（万方平台首次上网日期，不代表论文的发表时间）
共15页
2667-2681
