基于深度残差网络的高精度自然转捩模拟方法

摘要：

结合机器学习的湍流模型是流体力学领域的研究热点之一.现有方法主要将实验/数值的数据用于重构或修正湍流涡黏性和雷诺应力,鲜有针对转捩问题的研究.本文利用深度残差网络(ResNet)重构了间歇因子与流场平均量间的映射函数,并与Spallart-Allmaras(SA)模型耦合,发展了一种类代数转捩模型.结合高精度加权紧致非线性格式(WCNS-E6E5)在转捩平板和S809翼型算例中进行了验证,并与四方程的SST-γ-Reθ 转捩模型进行了对比,结果表明:纯数据驱动的ResNet模型能够准确预测间歇场,很大程度上改善了SA模型对自然转捩流动的模拟能力;训练数据仅基于两个零压力梯度转捩平板,模型能够应用于S809翼型不同迎角的情况,预测的升阻力特性和摩擦系数分布接近SST-γ-Reθ 转捩模型的结果;在此基础上,相较SST-γ-Reθ 模型节省了超过30％ 的计算成本.本研究显示了机器学习方法在转捩模型构建中的强大潜力.

关键词：转捩流动、神经网络、间歇因子、加权紧致非线性格式

所属期刊栏目：69

资助基金：国家关键工程;湖南省自然科学基金;国防科技大学科学研究项目

在线出版日期：2020-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：276-287