×
罗密特·莫利克;希曼舒·夏尔马;索米尔·帕特尔;贝萨尼·卢什;伊莉莎·詹宁斯

雷诺平均Navier-Stokes模拟的湍流涡粘性替代模型框架。 （英语） Zbl 1521.76236号

计算。流体 227，文章ID 104777，14 p.（2021）.
摘要：用于不可压缩湍流稳态评估的雷诺平均Navier-Stokes（RANS）方程仍然是实际计算流体动力学（CFD）应用的主要工具。因此，速度或精度的改进有可能影响各种应用。在给定初始条件的情况下，我们引入了一个机器学习框架，用于RANS模拟稳态湍流涡流粘度的替代建模。在对压力和速度方程进行稳态数值求解的同时，对该建模策略进行了参数插值评估，从而代表了与机器学习相结合的框架。与Spalart-Allmaras单方程模型相比，我们获得了具有竞争力的稳态结果，并且大大缩短了求解时间。这是因为所提出的方法允许稳态速度和压力求解器具有相当大的弛豫因子。我们对具有相当大的网格各向异性和分离的后向铺筑台阶进行了评估，以代表实际的CFD应用。对于不同入口速度条件或台阶高度的测试实验，我们看到时间到解决方案的减少约为5倍。这些结果为快速探索参数空间提供了一个机会，在使用带有多重耦合偏微分方程的湍流闭合模型时，这些参数空间被证明是禁止的。

引用于6文件

MSC公司：

76层65 湍流的直接数值模拟和大涡模拟
76D05型 不可压缩粘性流体的Navier-Stokes方程

关键词：

机器学习;代理建模;湍流模型;RANS公司

软件：

斯帕拉尔-奥尔马拉斯;TensorFlow公司;形状;亚当
PDF格式BibTeX公司 XML格式引用
\textit{R.Maulik}等人，计算。液体227，文章ID 104777，14 p.（2021；Zbl 1521.76236）
全文： 内政部 arXiv公司

参考文献：

[1] 张志杰。；Duraisamy，K.，数据驱动湍流建模的机器学习方法，第22届AIAA计算流体动力学会议，2460（2015）
[2] Ling，J。；Templeton，J.，《预测高雷诺平均Navier-Stokes不确定性区域的机器学习算法评估》，《物理流体》，27，8，085103（2015）
[3] Xiao，H。；吴，J.-L。；王建新。；Sun，R。；Roy，C.，《量化和减少雷诺平均Navier-Stokes模拟中的模型形式不确定性：一种数据驱动、基于物理的贝叶斯方法》，《计算物理杂志》，324115-136（2016）·Zbl 1371.76082号
[4] Weatheritt，J。；Sandberg，R.，应用于RAN应力应变关系代数修改的新型进化算法，《计算物理杂志》，325，22-37（2016）·Zbl 1375.76141号
[5] Ling，J。；Kurzawski，A。；Templeton，J.，使用嵌入不变性的深度神经网络进行雷诺平均湍流建模，《流体力学杂志》，807155-166（2016）·Zbl 1383.76175号
[6] Wu，J.-L。；Xiao，H。；Paterson，E.，《增强湍流模型的基于物理的机器学习方法：综合框架》，Phys Rev Fl，3，7，074602（2018）
[7] 王建新。；Wu，J.-L。；Xiao，H.，基于DNS数据重建雷诺应力模型差异的基于物理的机器学习方法，Physis Rev Fluids，2，3，034603（2017）
[8] Sotgiu，C。；魏甘德，B。；塞姆勒，K。；Wellinger，P.，《朝向一个通用数据驱动的显式代数雷诺应力预测框架》，《国际热流杂志》，79，108454（2019）
[9] Wu，J.-L。；Michelén-Ströfer，C。；Xiao，H.，应用于湍流的模型形式不确定性量化的物理信息协方差核，计算流体，193，104292（2019）·Zbl 1458.76056号
[10] 克鲁兹，硕士。；汤普森，R.L。；桑帕约，L.E。；Bacchi，R.D.，《在基于物理的机器学习方法中使用雷诺力矢量进行预测湍流建模》，计算流体，192104258（2019）·Zbl 1519.76081号
[11] 日内瓦，N。；Zabaras，N.，用贝叶斯深度神经网络量化雷诺平均湍流模型中的模型形式不确定性，J Comput Phys，383125-147（2019）·Zbl 1451.76059号
[12] 莱顿，W。；Schneier，M.，湍流涡粘模型诊断，包括基于数据驱动/神经网络的参数化，结果应用数学，100099（2020）·Zbl 1445.76049号
[13] E.J.帕里什。；Duraisamy，K.，《使用场反演和机器学习的数据驱动预测建模范式》，《计算物理杂志》，305758-774（2016）·Zbl 1349.76006号
[14] 辛格，A.P。；梅迪达，S。；Duraisamy，K.，《翼型湍流分离流动的机器学习增强预测模型》，AIAA J，2215-2227（2017）
[15] 马泰，R。；Durbin，P.，基于机器学习的区域涡流粘度模型，Flow Turbul Combust，103，1，93-109（2019）
[16] Maulik，R。；圣马力诺。；雅各布·J·D。；Crick，C.，通过深度学习进行子网格模型分类和混合，《流体力学杂志》，870，784-812（2019）·Zbl 1419.76370号
[17] 加马哈拉，M。；Hattori，Y.，《利用人工神经网络搜索湍流模型》，Phys Rev Fl，2，5，054604（2017）
[18] Maulik，R。；San，O.，湍流盲解卷积的神经网络方法，《流体力学杂志》，83151-181（2017）·Zbl 1421.76134号
[19] Vollant，A。；Balarac，G。；Corre，C.，基于最优估计理论和机器学习程序的子网格标量通量建模，J Turbul，18，9，854-878（2017）
[20] Maulik，R。；圣马力诺。；拉希德，A。；Vedula，P.，《Kraichnan湍流大涡模拟的数据驱动反褶积》，《物理流体》，30，12，125109（2018）
[21] 贝克，A。；弗拉德·D。；Munz，C.-D.，数据驱动LES闭合模型的深度神经网络，计算物理杂志，398108910（2019）
[22] Zhao Y.，Akolekar H.D.，Weatheritt J.，Michelassi V.，Sandberg R.D.。使用CFD驱动的机器学习开发湍流模型。arXiv预印arXiv:1902090752019·Zbl 1436.76011号
[23] Taghizadeh S.，Witherden F.D.，Girimaji S.S.。采用数据驱动技术的湍流闭合建模：物理兼容性和一致性考虑。arXiv预打印arXiv:2004030312020。
[24] Fukami，K。；Fukagata，K。；Taira，K.，用机器学习超分辨率重建湍流，J Fluid Mech，870，106-120（2019）
[25] Fukami K.，Fukagata K.，Taira K.，基于机器学习的湍流时空超分辨率重建。arXiv预印本arXiv：2004115662020·Zbl 1461.76306号
[26] Maulik R、Fukami K、Ramachandra N、Fukagata K、Taira K。流体流动模型降阶和数据恢复的概率神经网络。arXiv预打印arXiv:2005042712020。
[27] Duraisamy，K。；艾卡里诺，G。；Xiao，H.，《数据时代的湍流建模》，《流体力学年鉴》，51，357-377（2019）·Zbl 1412.76040号
[28] 张，X。；吴杰。；俄亥俄州德尔戈沙市议员。；Xiao，H.，利用物理信息机器学习增强湍流模型的最新进展，J Hydrodyn，31，6，1153-1158（2019）
[29] 特蕾西，B.D。；Duraisamy，K。；Alonso，J.J.，《协助湍流模型开发的机器学习策略》，第53届AIAA航空航天科学会议，1287（2015）
[30] 朱，L。；张伟。；寇，J。；Liu，Y.，翼型周围亚音速流动湍流建模的机器学习方法，Phys Fluids，31，1，015105（2019）
[31] 司机D.M。；Seegmiller，H.L.，《发散河道水流中再附着湍流剪切层的特征》，AIAA J，23，2，163-171（1985）
[32] 韦勒，H.G。；Tabor，G。；贾萨克，H。；Fureby，C.，使用面向对象技术的计算连续体力学张量方法，计算物理，12，6，620-631（1998）
[33] Robertson，E。；乔杜里，V。；Bhushan，S。；Walters，D.，《不可压缩钝体流动的OpenFOAM数值方法和湍流模型验证》，计算流体，123，122-145（2015）·Zbl 1390.76009号
[34] Reynolds，O.，《关于不可压缩粘性流体的动力学理论和准则的确定》，Philos Trans R Soc Lond Ser A，186，123-164（1895）
[35] Chou，P.Y.，关于速度关联和湍流波动方程的解，Q Appl Math，3，1，38-54（1945）·Zbl 0061.45302号
[36] 斯帕拉特，P。；Allmaras，S.，《气动流动的单方程湍流模型》，第30届航空科学会议和展览，439（1992）
[37] Yakhot，V。；Orszag，S。；桑加姆，S。；Gatski，T。；Speziale，C.，用双膨胀技术开发剪切流湍流模型，《物理流体》，4，7，1510-1520（1992）·Zbl 0762.76044号
[38] Menter，F.R.，工程应用的双方程涡粘湍流模型，AIAA J，32，8，1598-1605（1994）
[39] Abadi M.、Agarwal A.、Barham P.、Brevdo E.、Chen Z.、Citro C.等。TensorFlow：异构系统上的大规模机器学习。2015年。软件可从tensorflow.org获得；https://www.tensorflow.org/。
[40] Kingma D.P.，Ba J..Adam：一种随机优化方法。arXiv预打印arXiv:141269802014。
[41] Hochreiter，S.，学习递归神经网络过程中的消失梯度问题和问题解决方案，国际J不确定模糊知识系统，6，02，107-116（1998）·Zbl 1087.68616号
[42] 伦德伯格，S.M。；Lee，S.-I.，解释模型预测的统一方法，神经信息处理系统进展，4765-4774（2017）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。