×

参数化几何体周期性山丘上的流量:直接模拟数据驱动湍流建模的数据集。 (英语) Zbl 1519.76107号

摘要:基于雷诺平均Navier-Stokes方程的计算流体动力学模型在工程设计和分析中仍然发挥着重要作用。然而,湍流模型的发展几十年来一直停滞不前。随着机器学习的最新进展,数据驱动的湍流模型已经成为值得进一步探索的有吸引力的替代方案。然而,数据驱动湍流模型发展的一个主要障碍是缺乏训练数据。在这项工作中,我们调查了当前可用的公共湍流数据库,并得出结论,它们不足以开发和验证数据驱动模型。相反,我们需要从系统和连续变化的流动条件(例如,雷诺数和几何形状)中获得更多基准数据,以便在参数空间中实现最大覆盖。为此,我们对具有不同坡度的周期性山丘上的水流进行了直接的数值模拟,得出了周期性山岗上的一系列水流,这些水流从初期分离到轻微和大规模分离。我们通过训练机器学习模型进一步演示了这种数据集的使用,该模型基于一组平均流量特征预测雷诺应力各向异性。我们希望生成的数据集及其设计方法和本文中的示例应用程序将有助于未来数据驱动湍流模型的开发和比较。

MSC公司:

76层65 湍流的直接数值模拟和大涡模拟
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] 莫因,P。;Kim,J.,《用超级计算机处理湍流》,科学与应用,276,1,46-52(1997)
[2] Xiao,H。;Cinnella,P.,《RANS模拟中模型不确定性的量化:综述》,Prog Aerosp Sci,108,1-31(2019)
[3] Launder,B.E。;Sharma,B.I.,湍流能量耗散模型在旋转圆盘附近流动计算中的应用,Lett Heat Mass Transfer,1,2131-137(1974)
[4] Menter,F.R.,工程应用的二方程涡流粘性湍流模型,AIAA J,32,8,1598-1605(1994)
[5] 斯帕拉特,P.R。;Allmaras,S.R.,《气动流动的单方程湍流模型》,AIAA论文(1992)
[6] Adler M、Wright M、Campbell C、Clark I、Engeland W、Riverlini T。进入、下降和着陆路线图。NASA TA09,4月。
[7] 国家、研究委员会、NASA空间技术路线图和优先事项:恢复NASA的技术优势并为太空新时代铺平道路(2012年),国家学院出版社
[8] 23681-2199
[9] 辛格,A.P。;Duraisamy,K.,《使用场反演量化湍流闭合中的功能误差》,《物理流体》,28,45110(2016)
[10] 辛格,A.P。;Medida,S。;Duraisamy,K.,《翼型湍流分离流动的机器学习增强预测建模》,AIAA J,55,7,2215-2227(2017)
[11] 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,2,3,34603(2017)
[12] Wu,J.-L。;Xiao,H。;Paterson,E.G.,《增强湍流模型的基于物理的机器学习方法:综合框架》,Phys-Rev Fluids,374602(2018)
[13] 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
[14] Weatheritt,J。;Sandberg,R.,应用于rans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
[15] Weatheritt,J。;Sandberg,R.,《使用新型进化算法开发代数应力模型》,《国际热流学杂志》,68,298-318(2017)
[16] Schmelzer M,Dwight RP,Cinnella P。使用确定性符号回归的代数应力模型机器学习。流量涡轮机燃烧。
[17] 莱斯,M。;佩迪卡里斯,P。;Karniadakis,G.,《基于物理的神经网络:解决非线性偏微分方程正反问题的深度学习框架》,《计算物理杂志》,378,686-707(2019)·Zbl 1415.68175号
[18] 莱斯,M。;王,Z。;Triantafylou,M.S。;Karniadakis,G.E.,《涡激振动的深度学习》,《流体力学杂志》,86119-137(2019)·兹比尔1415.76177
[19] 曾毅,吴J-L,肖华。对生成性对抗网络实施物理约束,并应用于流体流动。提交给计算物理杂志。也可用作arxiv:1905.06671。
[20] Wu,J.-L。;Kashinath,K。;阿尔伯特,A。;Chirila博士。;Prabhat,M。;Xiao,H.,J计算物理(2019)
[21] Krizhevsky,A。;Sutskever,I。;Hinton,G.E.,深度卷积神经网络的Imagenet分类,in:神经信息处理系统的进展,1097-1105(2012)
[22] 邓J,董伟,Socher R,Li L-J,Li K,Fei-Fei L.Imagenet:大型分层图像数据库。2009年:CVPR09。
[23] Kim,J。;莫因,P。;Moser,R.,低雷诺数下充分发展的通道流中的湍流统计,《流体力学杂志》,177133-166(1987)·Zbl 0616.76071号
[24] 李,M。;Moser,R.D.,《Re=5200以下湍流通道流动的直接数值模拟》,《流体力学杂志》,774395-415(2015)
[25] 阿加德。用于验证湍流大涡模拟的测试用例选择。AGARD第345号咨询报告,数据:http://torroja.dmt.upm.es/turbdata/agard/。
[26] 美国宇航局兰利湍流建模门户网站。2018https://turbmodels.larc.nasa.gov。
[27] ERCOFTAC公司。ERCOFTAC经典收藏数据库。http://cfd.mace.manchester.ac.uk/ercoftac/。
[28] 约翰·霍普金斯大学湍流数据库(JHTDB)网站。http://turbulence.pha.jhu.edu。
[29] 李毅。;Perlman,E。;Wan,M。;Yang,Y。;Meneveau,C。;Burns,R.,《公共湍流数据库集群及其在研究湍流中速度增量的拉格朗日演化中的应用》,J Turbul,9,N31(2008)·Zbl 1273.76210号
[30] Pinelli,A。;乌尔曼,M。;Sekimoto,A。;Kawahara,G.,方形管道湍流中平均流动结构的雷诺数依赖性,《流体力学杂志》,644,107-122(2010)·Zbl 1189.76265号
[31] Uhlmann M.Fully开发了不可压缩等温流体通过方形截面直管的压力驱动流动:来自DNS的数据。http://www.ifh.kit.edu/dns_data/duct/。
[32] Maaß,C。;舒曼,U.,《波浪边界分离湍流的直接数值模拟》,in:《高性能计算机的流动模拟II》,227-241(1996),施普林格出版社·Zbl 0875.76368号
[33] 4号机组
[34] 拉瓦尔,J.-P。;Marquillie,M.,汇流-分流河道水流的直接数值模拟,in:壁湍流的进展:理解和建模,203-209(2011),Springer
[35] 布鲁尔,M。;佩勒,N。;拉普,C。;Manhart,M.,《周期性山丘上的流动:雷诺数范围内的数值和实验研究》,Comput Fluids,38,2433-457(2009)·Zbl 1237.76026号
[36] Kutz,J.N.,流体动力学中的深度学习,流体力学杂志,814,1-4(2017)·兹比尔1383.76380
[37] R.、M。;P.,D.,参数凸起上湍流的大涡模拟,《流体力学杂志》,866503-525(2019)·Zbl 1415.76353号
[38] Xiao,H。;Jenny,P.,《混合LES/RANS建模的一致双模型框架》,《计算物理杂志》,231,41848-1865(2012)·Zbl 1376.76017号
[39] 夏,Z。;Shi,Y。;R·洪。;肖,Z。;Chen,S.,《具有等流周期收缩的河道中分离流的约束大涡模拟》,J Turbul,14,1,1-21(2013)·Zbl 1273.76231号
[40] 弗罗里奇,J。;梅伦,C.P。;Rodi,W。;Temmerman,L。;Leschziner,M.A.,《河道周期性收缩分离流的高分辨率大涡模拟》,《流体力学杂志》,526,19-66(2005)·Zbl 1065.76116号
[41] 拉普,C。;Manhart,M.,《周期性山丘上方的流动:实验研究》,实验流体,51,1,247-269(2011)
[42] Gloerfelt,X。;Cinnella,P.,《周期性山丘上水流的大涡模拟要求》,《Turbul Combust》,103,1,55-91(2019)
[43] Gloerfelt X,Cinnella P.基准数据库:2D周期性山丘流。https://www.researchgate.net/publication/315413324_Benchmark_database_2D_pericic_hill_flow。
[44] Wu,J.-L。;孙,R。;Laizet,S。;Xiao,H.,应力张量扰动的表示及其在机器学习辅助湍流建模中的应用,计算方法应用机械工程,34670726(2019)·Zbl 1440.76042号
[45] Wu,J.-L。;Xiao,H。;孙,R。;Wang,Q.,Reynolds-averaged Navier-Stokes方程与显式数据驱动的Reynolds应力闭合可以进行条件化,《流体力学杂志》,869,553-586(2019)·Zbl 1429.76066号
[46] Kravchenko,A.G。;Moin,P.,《湍流大涡模拟中数值误差的影响》,J Comp Phys,131,310-322(1997)·Zbl 0872.76074号
[47] Laizet S.不可压缩Navier-Stokes方程求解器与多标量输运方程。https://github.com/xcompact3d/Incact3d。
[48] 戈蒂埃,R。;Laizet,S。;Lamballais,E.,使用浸没边界法对微射流控制的DNS研究,计算流体动力学国际期刊,28,6-10,393-410(2014)
[49] Laizet,S。;Lamballais,E.,不可压缩流的高阶紧致格式:一种具有准谱精度的简单有效的方法,J Comp Phys,2285989-6015(2009)·Zbl 1185.76823号
[50] Laizet,S。;Li,N.,Incompact3d:一个强大的工具,用于处理高达O(10^5)计算核心的湍流问题,《国际热和流体流动杂志》,67,1735-1757(2011)·Zbl 1419.76481号
[51] Espath,L。;平托,L。;Laizet,S。;Silvestrini,J.,载粒子重力流的二维和三维直接数值模拟,ComputGeosci,63,9-16(2014)
[52] 舒赫,F.N。;平托,L.C。;西尔维斯特里尼,J.H。;Laizet,S.,倾斜通道中骤降现象的三维湍流解析模拟,地球物理研究杂志,123,74820-4832(2018)
[53] 104306
[54] Mahfoze,O。;Laizet,S.,《利用流线型等离子体致动器降低通道流中的表面摩擦阻力》,《国际热流体流动杂志》,66,83-94(2017)
[55] 姚,J。;陈,X。;Hussain,F.,《通过沿翼展方向的反向壁面射流力控制壁面湍流阻力》,《流体力学杂志》,852,678-709(2018)·Zbl 1415.76374号
[56] Mahfoze,O。;穆迪,A。;韦恩,A。;威利,R。;Laizet,S.,《在贝叶斯优化框架内通过低振幅壁面正态吹气降低湍流边界层流的表面摩擦阻力》,《Phys-Rev Fluids》,4,9,94601(2019)
[57] Dairay,T。;弗图内,V。;兰巴拉斯,E。;Brizzi,L.,Les,使用高阶数值格式研究湍流射流冲击加热壁,《国际热流学杂志》,50,177-187(2014)
[58] Dairay,T。;弗图内,V。;兰巴拉斯,E。;Brizzi,L.E.,湍流射流冲击加热壁的直接数值模拟,《流体力学杂志》,764,362-394(2015)
[59] Deskos,G。;Laizet,S。;Piggott,M.D.,《高阶有限差分风电场模拟器的开发和验证》,winc3d,in:第三届海上可再生能源国际会议(2018年可再生能源)(2018年),里斯本:葡萄牙里斯本
[60] Deskos,G。;Laizet,S。;Piggott,M.D.,风力涡轮机尾迹的湍流再解模拟,可再生能源,134989-1002(2019)
[61] Dairay,T。;Obligado,M。;Vassilicos,J.C.,轴对称湍流尾迹中的非平衡标度律,《流体力学杂志》,781,166-195(2015)·Zbl 1359.76156号
[62] Obligado,M。;Dairay,T。;Vassilicos,J.C.,湍流尾迹的非平衡标度,Phys Rev Fluids,1,4,44409(2016)
[63] 周,Y。;Vassilicos,J.,湍流/非湍流界面和湍流耗散的相关自相似统计,《流体力学杂志》,821,440-457(2017)·Zbl 1383.76298号
[64] Xiao H,Wu J,Laizet S,Duan L.参数化几何体周期山丘上的流动:数据驱动湍流建模的示例代码和数据集,另请参见。2019https://github.com/xiaoh/para-database-for-PIML。
[65] (1994年至今)
[66] 王建新。;黄,J。;段,L。;Xiao,H.,利用物理信息机器学习预测高马赫数湍流边界层中的雷诺应力,Theor Compute Fluid Dyn,33,1,1-19(2019)
[67] 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,物理流体,31,115105(2019)
[68] 埃默里,M。;Pecnik,R。;Iacarino,G.,《冲击波/边界层相互作用雷诺平均计算中的结构不确定性建模》,AIAA论文,第479条,pp.(2011)
[69] 班纳吉,S。;Krahl,R。;杜斯特,F。;Zenger,C.,湍流各向异性特性的表示,不变量与特征值方法,J Turbul,8,32,589-610(2007)·Zbl 1273.76244号
[70] Breiman,L.,《随机森林》,《马赫学习》,第45、1、5-32页(2001年)·Zbl 1007.68152号
[71] 霍尼克,K。;Stinchcombe,M。;White,H.,多层前馈网络是通用逼近器,神经网络,2,5,359-366(1989)·Zbl 1383.92015年
[72] 弗里德曼,J。;哈斯蒂,T。;Tibshirani,R.,《统计学习的要素》(2001),《施普林格:施普林格柏林》·Zbl 0973.62007号
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且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。