基于在线序贯数据同化的物理增强浸没边界法
流体动力学
2023-10-16 v1
摘要
本文采用一种依赖集合卡尔曼滤波(EnKF)的物理增强策略来提高连续浸没边界法(IBM)的精度。后者是一种经典的惩罚方法，通过包含在纳维-斯托克斯方程中的体积源项来考虑浸没体的存在。惩罚方法的模型系数通常由用户选定，此处采用基于EnKF的数据驱动策略进行优化。参数推断由流动局部与全局特征的物理知识所主导，例如无滑移条件与壁面剪切应力。团队开发的C++库CONES(Coupling OpenFOAM with Numerical EnvironmentS)用于执行在线研究，将来自合成传感器的实时数据与一组粗粒度数值模拟结果进行耦合。分析针对一个经典测试用例进行，即的湍流槽道流。与高保真直接数值模拟(DNS)的结果对比表明，尽管集合成员网格分辨率相对较低，该数据驱动方法仍展现出显著的精度。
引用
@article{arxiv.2310.09087,
title = {A physics-infused Immersed Boundary Method using online sequential Data Assimilation},
author = {Miguel M. Valero and Marcello Meldi},
journal= {arXiv preprint arXiv:2310.09087},
year = {2023}
}
备注
27 pages, 14 figures