高雷诺数分离流的数据同化与湍流建模统一方法
流体动力学
2022-11-02 v1 机器学习
摘要
近年来，以深度神经网络（DNN）为代表的机器学习方法已成为湍流建模的新范式。然而，在高雷诺数场景下，仍存在若干瓶颈，包括高保真数据匮乏，以及湍流模型与 RANS 求解器耦合过程中的收敛与稳定性问题。本文提出一种改进的集成卡尔曼反演方法，作为高雷诺数分离流的数据同化与湍流建模统一途径。DNN 的可训练参数在 RANS 方程与 DNN 涡黏模型相互耦合的框架下，依据给定的实验表面压力系数进行优化。如此，数据同化与模型训练合为一步，高效获得与实验吻合良好的高保真湍流模型。通过高雷诺数下 S809 翼型周围分离流算例验证了方法的有效性。结果表明，通过对极少实验状态进行联合同化，可获得对不同时攻角下附着流与分离流均具有良好泛化能力的湍流模型。高攻角下升力系数的误差较传统 SA 模型显著降低三倍以上。所得模型在稳定性与鲁棒性方面亦表现良好。
引用
@article{arxiv.2211.00601,
title = {A unified method of data assimilation and turbulence modeling for separated flows at high Reynolds numbers},
author = {Z. Y. Wang and W. W. Zhang},
journal= {arXiv preprint arXiv:2211.00601},
year = {2022}
}