×
邓阳宇;张迪;曹泽;刘亚坤

基于机器学习的不可压缩流体分离压力校正算法加速。 （英语） Zbl 07833609号

计算。流体 270，文章ID 106145，25 p.（2024）.
摘要：分离压力修正算法广泛应用于稳态不可压缩流体流动的模拟。然而，这些传统的求解算法通常需要大量的计算资源来解决设计优化问题。为了解决这个问题，我们提出了一种高级的基于树的机器学习（ML）模型，称为极端随机化树（ERT），用于加快分离压力校正算法的收敛速度。然后，将其预测性能与广泛使用的决策树（DT）和随机森林（RF）进行了比较，其预测结果最终作为中间流场纳入模拟过程。ML模型用于预测主要的流动特性，包括湍流动能、湍流耗散率、湍流粘度、压力和速度，其建模能力通过插值泛化和外推泛化进行评估。我们的评估基于通过表面障碍物的流动，障碍物具有明显的流动分离和相当大的网格各向异性，以代表实际的CFD应用。对于具有不同入口速度条件或障碍物纵横比的泛化研究，与ML模型相结合的压力修正算法均获得了高分辨率的稳态结果，与没有ML加速的算法相比，迭代步骤和计算成本显著减少，这是因为所选的ML模型为传统的压力校正算法提供了更令人满意的初始条件。研究结果为快速探索设计优化问题中的参数空间提供了参考。

MSC公司：

76倍 流体力学

关键词：

机器学习;压力校正算法;计算效率;不可压缩流体流动
PDF格式BibTeX公司 XML格式引用
\textit{Y.Deng}等人，计算。液体270，物品ID 106145，25 p.（2024；Zbl 07833609）
全文： 内政部

参考文献：

[1] Ashrafizadeh，A。；阿利尼亚，B。；Mayeli，P.，一种新的基于共面压力的离散化方法，用于不可压缩Navier-Stokes方程的数值解。数字。热传输。B-基金会。，563-589 (2015)
[2] Wang，H。；Wang，H。；高，F。；周，P。；翟志杰，建筑环境CFD模拟中压力-速度解耦算法的文献综述。生成。环境。，671-678 (2018)
[3] 巴蒂，M.M。；马林，M。；Zeeshan，A。；Abdelsalam，S.I.，《计算流体动力学的最新趋势》，Front。物理（马里兰州大学公园）（2020年）
[4] 巴坦卡，S.V。；Spalding，D.B.，三维抛物线流中热量、质量和动量传递的计算程序。国际传热传质杂志。，1787-1806 (1972) ·Zbl 0246.76080号
[5] Wang，J.P。；Zhang，J.F。；Qu，Z.G。；Tao，W.Q.，粘性可压缩流动基于压力方法的自适应内部迭代过程。数字。热传输。B-基金会。，603-622 (2018)
[6] Patankar，S.V.，二维椭圆情况的计算程序。数字。传热。，409-425 (1981)
[7] Van Doormal，J.P。；Raithby，G.D.，预测不可压缩流体流动的简单方法的增强。数字。传热。，147-163（1984年）·Zbl 0553.76005号
[8] Sun，D.L。；Qu，Z.G。；何永乐。；Tao，W.Q.，《不可压缩流体流动和传热问题的高效分离算法——IDEAL（链式方程的内部双重迭代高效算法）》，第一部分：数学公式和求解程序。数字。热传输。B基金会。，2008年1月17日
[9] 李，J。；张，Q。；翟志强，非结构网格下不可压流动的高效SIMPLER修正算法。数字。热传输。B-基金会。，425-442 (2017)
[10] Xiao，H。；Wang，J。；刘，Z。；Liu，W.，具有额外显式预测的一致SIMPLE算法-SIMPLEPC。国际传热传质杂志。，1255-1265 (2018)
[11] 阿盖尔，H.J。；维尼尔，C.M。；Pairetti，C.I。；达米安，S.M。；Nigro，N.M.，一种基于SIMPLE的增强速度校正算法：COMPLEX方法。计算。流体（2020年）·Zbl 1519.76162号
[12] 张，H。；朱伟。；Chen，H.，一种稳健高效的流体分离算法：EPPL方法。J.计算。物理学。(2020) ·Zbl 07508428号
[13] 莫拉加，新墨西哥州。；Jaime，J.I。；Cabrales，R.C.，一种加速SIMPLER算法收敛的方法，用于解决具有传热和相变的流体流动的对流扩散问题。国际通用。热质传递。(2021)
[14] 邓，Y。；张，D。；刘，Y。；Fu，X。；Wu，J.，稳态不可压缩流的一种新型高效分离压力算法。数字。热传输。B-基金会。，18-40 (2022)
[15] Maulik，R。；Sharma，H。；帕特尔，S。；Lusch，B。；Jennings，E.，雷诺平均Navier-Stokes模拟的湍流涡流粘度代理建模框架。计算。液体（2021）·Zbl 1521.76236号
[16] 医学博士里贝罗。；Rehman，A。；艾哈迈德，S。；Dengel，A.，DeepCFD：利用深度卷积神经网络进行高效稳态层流近似。arXiv（2020），2004.08826
[17] Nagawkar，J。；Leifsson，L.，使用基于随机森林的机器学习进行多保真空气动力流场预测。Aerosp.航空公司。科学。Technol公司。（2022年）
[18] 齐，Y。；卢，J。；斯卡多维利，R。；Zaleski，S。；Tryggvason，G.，使用机器学习计算流体体积的曲率。J.计算。物理。，155-161 (2019)
[19] Ye，Z。；Shi，F。；X.赵。；胡，Z。；Malej，M.，一种数据驱动的方法，用于模拟亚脊尺度浅沼泽水动力学。海岸。工程（2021）
[20] McConkey，R。；Yee，E。；Lien，F.S.，《预测湍流建模中机器学习辅助各向异性映射的可推广性》。国际期刊计算。流体动力学。，555-577 (2022) ·Zbl 1516.76066号
[21] 胡，G。；Kwok，K.C.，使用机器学习技术预测圆柱周围的风压。J.风。工程Ind.Aerodyn。(2020)
[22] 邓，Y。；张，D。；张，D。；吴杰。；Liu，Y.，不同形状侧孔流量系数预测的混合集成机器学习模型。流量测量。仪器。(2023)
[23] B.E.Launder，D.B.Spalding，湍流的数值计算。《流动、传热、湍流和燃烧的数值预测》（1983年）（第96-116页）。佩加蒙。
[24] 马丁内斯，J。；Piscaglia，F。；Montorfano，A。；Onorati，A。；Aithal，S.M.，动量插值方法对OpenFOAM®中压力-速度耦合算法准确性和收敛性的影响。J.计算。申请。数学。，654-673 (2017) ·Zbl 1371.76098号
[25] 阿查里亚，S。；杜塔，S。；Myrum，T.A。；Baker，R.S.，《经过表面安装的二维肋的湍流》，《流体工程杂志》，238-246（1994）
[26] 弗拉戈斯，V.P。；Psychoudaki，S.P。；Malamataris，N.A.，通过表面障碍物的流量的计算机辅助分析。国际期刊数字。液体方法，495-512（1997）·兹比尔0900.76264
[27] 黄光裕。；Chow，Y.C。；Peng，Y.F.，通道中二维表面安装肋条湍流的数值研究。国际期刊数字。液体方法，767-785（1999）·Zbl 0962.76576号
[28] Tang，H。；Wang，Y。；Wang，T。；田，L。；Qian，Y.，数据驱动的雷诺平均湍流建模，具有可推广的非线性校正和使用贝叶斯深度学习的不确定性量化。物理学。液体（2023年）
[29] L.Breiman、J.Friedman、R.Olshen、C.J.Stone，《分类和回归树》，（1984）沃兹沃思，加利福尼亚州贝尔蒙特·Zbl 0541.62042号
[30] Breiman，L.，装袋预测因子。机器学习，123-140（1996）·Zbl 0858.68080号
[31] Breiman，L.，《随机森林》。机器学习，5-32（2001）·Zbl 1007.68152号
[32] Geurts，P。；Ernst，D。；Wehenkel，L.，《极度随机树》。机器学习，3-42（2006）·Zbl 1470.68111号
[33] Galelli，S。；Castelletti，A.，评估随机树状集合在径流建模中的预测能力。水文学。地球系统。科学。，2669-2684 (2013)
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。