基于谱差分方法的隐式大 Eddy 仿真数据驱动研究
流体动力学
2024-11-06 v1
摘要
本文提出一种数据驱动滤波器，用于分析谱差分方法下隐式大尺度仿真 (ILES) 与直接数值仿真 (DNS) 之间的关系。该滤波器由由锐模滤波器组成的线性组合构成，其权重由基于卷积神经网络训练得到，用于复制来自滤波 DNS 数据的 ILES 结果。为保持离散性的紧凑性，该滤波器在时间上局部，作用于单元单元级别。神经网络在 Re=1600 的泰勒-格林涡旋测试案例生成的数据上进行训练。为缓解时序效应并突出空间离散的影响，ILES 定期从 DNS 数据在不同时间窗口中重新初始化。较小的时间窗口导致 ILES 与滤波 DNS 快照之间具有更高的交叉相关。对于所考虑的最小时间窗口，滤波器的模态衰减与经典特征分析一致，显示出对更高阶近似量程更好的能量守恒。类似地，滤波器核在傅里叶空间中的分析确认，较高的多项式阶数比较低的阶数更不耗能。随着采用更大的时间窗口，训练好的滤波器在表示数据方面遇到困难，因为存在显著的非线性效应。此外，还通过评估次网格生产项来评估数据驱动滤波器对分辨动能的影响，结果显示出现直接和逆向能量迁移，前者在平均情况下更为常见。背scatter 的存在表明，基于不可连续谱元方法的 ILES 可能具备一种内在机制，能够在两种方向上传递能量，主要表现为直接动能级联。
引用
@article{arxiv.2411.03211,
title = {A data-driven study on Implicit LES using a spectral difference method},
author = {Nicola Clinco and Niccolò Tonicello and Gianluigi Rozza},
journal= {arXiv preprint arXiv:2411.03211},
year = {2024}
}