一种用于模拟跨声速翼型流场的机器学习增强间断 Galerkin 方法
流体动力学
2024-11-15 v1 计算物理
摘要
准确、快速地预测流场对气动设计至关重要。本文提出一种间断 Galerkin 方法 (DGM)，其性能随数据量的增加而提升，用于快速模拟各种流动条件下翼型周围的跨声速流动。离线构建一个轻量级且持续更新的数据驱动模型来预测大致正确的流场，随后利用 DGM 细化详细流动结构并提供修正后的数据。在构建数据驱动模型期间，设计了区域本征正交分解 (POD) 方法，以在保留更多近壁流动特征的同时降低流场维度；并构建了加权距离径向基函数 (RBF) 以增强流场预测的泛化能力。数值结果表明，通过从稀疏数据中学习，该轻量级数据驱动模型能够预测马赫数从 0.7 到 0.95、攻角从 -5 到 5 度范围内多种翼型周围的流场，并保持对流动结构（如激波）位置和本质特征的高精度预测。此外，与常规 DGM 相比，机器学习 (ML) 增强的 DGM 在任意网格上模拟跨声速无粘/粘性翼型流场时，能够显著提高计算效率和模拟鲁棒性，并进一步实现了基于代理模型的气动优化中大量样本点的快速气动评估。
引用
@article{arxiv.2411.09351,
title = {A machine learning enhanced discontinuous Galerkin method for simulating transonic airfoil flow-fields},
author = {Yiwei Feng and Lili Lv and Weixiong Yuan and Liang Xu and Tiegang Liu},
journal= {arXiv preprint arXiv:2411.09351},
year = {2024}
}
备注
32 pages, 16 figures