×

代数雷诺应力模型的CFD驱动符号识别。 (英语) Zbl 1515.76105号

摘要:基于冻结训练的SpaRTA算法,开发了一种CFD驱动的确定性符号识别算法,用于从高保真数据中学习显式代数雷诺应力模型(EARSM)[M.Schmelzer先生,R.P.德怀特P.辛奈拉,“使用稀疏符号回归发现代数雷诺应力模型”,Flow Turbul。库布斯特。104,第2–3号,579–603(2020年;doi:10.1007/s10494-019-00089-x)]. 基线线性涡流粘度模型(LEVM)的雷诺应力张量修正和传输湍流量的产生表示为从候选函数库中选择的张量多项式的函数。CFD驱动的培训包括解决黑箱优化问题,其中通过运行RANS模拟评估候选EARSM模型的适合性。该程序使训练模型能够针对任何可计算为CFD模型输出的目标量。与冻结训练方法不同,所提出的方法不限于可获得高保真度数据(包括二阶流阶统计数据)的全字段的数据集。然而,需要解决高维昂贵的黑箱函数优化问题。然后采取几个步骤来减少相关的计算负担。首先,使用敏感性分析来识别最具影响力的术语,并降低搜索空间的维数。然后,使用响应面约束优化(CORS)算法,该算法使用从有限数量的CFD解构造的响应面来近似黑盒成本函数,以找到最佳模型参数。利用不同的训练数据集,对变截面渠道中的三种二维湍流分离流配置进行了模型发现和交叉验证,以显示该方法的灵活性。然后将发现的模型应用于预测具有较高雷诺数和不同几何形状的未知二维分离流。发现的新案例模型的预测结果表明,不仅比基线LEVM更准确,而且还比从纯物理参数导出的多用途EARSM模型更准确。所提出的确定性符号识别方法是一种很有希望的候选方法,可用于以适度的计算成本构建针对给定流类定制的精确且稳健的RANS模型。

MSC公司:

76个M12 有限体积法在流体力学问题中的应用
6500万08 含偏微分方程初值和初边值问题的有限体积法
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] Schmelzer,M。;德怀特,R.P。;Cinnella,P.,使用稀疏符号回归发现代数雷诺应力模型,Flow Turbul。库布斯特。,104, 2, 579-603 (2020)
[2] Wilcox,D.C.,CFD湍流建模(2006),加拿大DCW工业公司:加拿大DCW工业公司
[3] Hellsten,A。;Wallin,S.,显式代数雷诺应力和非线性涡流粘度模型,国际期刊计算。流体动力学。,23, 4, 349-361 (2009) ·Zbl 1184.76688号
[4] 朗德,B.E。;Reece,G.J。;Rodi,W.,reynolds应力湍流闭合的发展进展,流体力学杂志。,68, 3, 537-566 (1975) ·Zbl 0301.76030号
[5] Pope,S.B.,《湍流》(2001)
[6] 香港Versteeg。;Malalasekera,W.,《计算流体动力学导论:有限体积法》(2007),培生教育
[7] Pope,S.,一个更普遍的有效粘度假说,J.流体力学。,72, 2, 331-340 (1975) ·Zbl 0315.76024号
[8] Gatski,T.B。;Speziale,C.G.,《关于复杂湍流的显式代数应力模型》,《流体力学杂志》。,254, 59-78 (1993) ·Zbl 0781.76052号
[9] Xiao,H。;Cinnella,P.,《trans仿真中模型不确定性的量化:综述》,Prog。Aerosp.航空公司。科学。,108, 1-31 (2019)
[10] Duraisamy,K。;艾卡里诺,G。;Xiao,H.,《数据时代的湍流建模》,年。流体力学版次。,51, 357-377 (2019) ·Zbl 1412.76040号
[11] 巴黎,E.J。;Duraisamy,K.,使用场反演和机器学习的数据驱动预测建模的范例,J.Comput。物理。,305, 758 (2016) ·Zbl 1349.76006号
[12] 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,J.流体力学。,807, 155-166 (2016) ·Zbl 1383.76175号
[13] 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。《流体》第3版第074602条pp.(2018)
[14] Weatheritt,J。;Sandberg,R.,一种应用于rans应力应变关系代数修改的新型进化算法,J.Compute。物理。,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] Akolekar,H.D。;Weatheritt,J。;哈钦斯,N。;桑德伯格,R.D。;拉斯科夫斯基,G。;Michelassi,V.,开发和使用机器学习的代数雷诺应力模型,用于增强低压涡轮机尾流混合的预测,J.Turbomach。,141, 4 (2019)
[17] Gargiulo,A。;Ozoroski,T.A。;Hallock,T。;Haghiri,A。;桑德伯格,R.D。;维松瑙,M。;邓,G。;吉尔米诺,E。;Geneau,D。;牛仔裤,T。;Bettle,M。;克里夫利特,M。;弓形虫。;Duetsch-Patel,J.E。;Sundarraj,V。;博尔戈茨,A。;德文波特,W.J。;罗伊·C·J。;Lowe,T.,BeVERLI Hill三维分离流模型验证案例的计算,1-33(2022)
[18] Brunton,S.L。;Proctor,J.L。;Kutz,J.N.,通过非线性动力系统的稀疏识别从数据中发现控制方程,Proc。国家。阿卡德。科学。,113, 15, 3932-3937 (2016) ·Zbl 1355.94013号
[19] Rudy,S.H。;Brunton,S.L。;Proctor,J.L。;Kutz,J.N.,偏微分方程的数据驱动发现,科学。高级,3,4,文章e1602614 pp.(2017)
[20] 惠静,J.P。;德怀特,R.P。;Schmelzer,M.,《钝体周围三维流动的数据驱动RANS闭包》,计算。流体,225,第104997条pp.(2021)·Zbl 1521.76113号
[21] 斯坦纳,J。;德怀特,R.P。;Viré,A.,中性条件下风力涡轮机尾迹的数据驱动RANS闭合,计算。流体,233,第105213条pp.(2022)·Zbl 1521.76253号
[22] Zhang,Y。;德怀特,R。;Schmelzer,M。;Gómez,J。;韩,Z.-H。;Hickel,S.,《用于双精度les-rans优化的定制数据驱动rans闭包》,J.Compute。物理。,432,第110153条,第(2021)页·Zbl 07511686号
[23] 王,M。;陈,C。;Liu,W.,利用张量稀疏符号回归方法和混合特征选择技术建立弹性固体的代数数据驱动本构模型,J.Mech。物理学。固体,159,第104742条pp.(2022)
[24] 比瑟姆,S。;Capecelatro,J.,使用嵌入形式不变性的稀疏回归公式化湍流闭合,Phys。流体版本,5(2020年8月)
[25] Duraisamy,K.,《机器学习视角——增强雷诺平均湍流和大涡模拟模型》,Phys。修订版《流体》,第6期,第050504条,第(2021)页
[26] Holland,J.R。;Baeder,J.D。;Duraisamy,K.,《利用嵌入式神经网络实现集成场反演和机器学习以进行RANS建模》(AIAA科学技术2019论坛(2019)),1884年
[27] Zhao,Y。;Akolekar,H.D。;Weatheritt,J。;米歇拉西五世。;Sandberg,R.D.,使用cfd驱动的机器学习进行湍流模型开发,J.Compute。物理。,411,第109413条pp.(2020)·Zbl 1436.76011号
[28] Michélen Str-ofer,哥伦比亚特区。;Xiao,H.,间接观测湍流模型的端到端可微学习,Theor。申请。机械。莱特。,第11条,第100280页(2021年)
[29] 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,N32(2007)·Zbl 1273.76244号
[30] Regis,R.G。;Shoemaker,C.A.,使用径向基函数对昂贵的黑盒函数进行约束全局优化,J.Glob。最佳。,31, 1, 153-171 (2005) ·Zbl 1274.90511号
[31] Menter,F.R.,工程应用的二方程涡流粘性湍流模型,AIAA J.,321598-1605(1994)
[32] Menter,F。;Garbaruk,A。;Egorov,Y.,《各向异性壁面流的显式代数雷诺应力模型》,Progr。飞行物理。,3, 89-104 (2012)
[33] 韦勒,H.G。;塔博尔,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)
[34] Caretto,L。;戈斯曼,A。;巴坦卡,S。;Spalding,D.,有再循环的稳态三维流动的两种计算程序,(第三届流体力学数值方法国际会议论文集(1973),Springer),60-68·Zbl 0255.76031号
[35] 布鲁尔,M。;佩勒,N。;拉普,C。;Manhart,M.,《在大雷诺数范围内周期山丘上的流动数值和实验研究》,计算。流体,38,2,433-457(2009)·Zbl 1237.76026号
[36] Marquillie,M。;埃伦斯坦,美国。;Laval,J.-P.,具有逆压力梯度的壁湍流中条纹的不稳定性,流体力学杂志。,681, 205-240, 30 (2011) ·Zbl 1241.76178号
[37] 本塔勒布,Y。;拉多,S。;Leschziner,M.A.,圆台阶湍流边界层分离的大涡模拟,J.Turbul。,13,N4(2012)
[38] Brunton,S.L。;Kutz,J.N.,《数据驱动科学与工程:机器学习、动态系统和控制》(2019),剑桥大学出版社·Zbl 1407.68002号
[39] McConaghy,T.,Ffx:快速、可扩展、确定性符号回归技术,(遗传编程理论与实践IX(2011),Springer),235-260
[40] Bishop,C.M.,模式识别和机器学习(2006),Springer·Zbl 1107.68072号
[41] Knysh,P。;Korkolis,Y.,《Blackbox:昂贵黑盒函数的并行优化程序》(2016),预打印
[42] 斯佩齐亚莱,C.G。;阿比德·R。;Durbin,P.A.,《关于雷诺应力湍流闭合的可实现性》,《科学杂志》。计算。,9, 4, 369-403 (1994) ·Zbl 0823.76041号
[43] 埃默里,M。;Iacarino,G.,《利用成分轮廓可视化空间域湍流各向异性》,123-138(2014),湍流研究中心年度研究简报
[44] Edeling,W.N。;艾卡里诺,G。;Cinnella,P.,《具有量化不确定性的无数据和数据驱动trans预测》,Flow Turbul。库布斯特。,100,3593-616(2018)
[45] Kommenda,M。;Burraca,B。;Kronberger,G。;Affenzeller,M.,使用非线性最小二乘进行符号回归的参数识别,Genet。程序。进化。机器。,21, 471-501 (2020)
[46] 杨,Z。;王,Z。;刘,H。;Eldar,Y。;Zhang,T.,稀疏非线性回归:非凸条件下的参数估计,(Balcan,M.F.;Weinberger,K.Q.,《第33届机器学习国际会议论文集》,《机器学习论文集》第48卷(2016),学习研究,PMLR:学习研究,PMLR纽约,纽约,美国),2472-2481
[47] Gloerfelt,X。;Cinnella,P.,《周期性山丘上水流的大涡模拟要求》,flow Turbul。库布斯特。,103, 1, 55-91 (2019)
[48] Wallin,S。;Johansson,A.V.,《不可压缩和可压缩湍流的显式代数雷诺应力模型》,《流体力学杂志》。,403, 89-132 (2000) ·兹伯利0966.76032
[49] Durbin,P.A.,《无“阻尼函数”的近壁湍流闭合建模》,Theor。计算。流体动力学。,3, 1, 1-13 (1991) ·Zbl 0728.76053号
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。