基于机器学习的不可压缩湍流中模型不确定性的表征
流体动力学
2019-01-21 v2
摘要
本工作通过预测雷诺平均 Navier-Stokes（RANS）与大涡模拟（LES）模型之间的基于模型的差异，来确定在转捩到湍流 regime 中使用 RANS 湍流模型的不准确性，随后结合机器学习算法的能力来表征这些被定义为 RANS 模拟平均流性质函数的差异。首先，分别使用 k-omega 剪切应力输运（SST）和动态单方程亚格子模型在含圆柱的壁面有界通道中进行了 RANS 和 LES 的三维 CFD 模拟，以识别湍动能差异。其次，由 RANS 的平均流性质计算了若干流特征，如黏度比、基于壁面距离的雷诺数和涡拉伸。然后利用随机森林回归算法将这些流特征回归到差异上。最后，使用训练好的算法预测了测试流的差异。结果表明，RANS 与 LES 模拟之间存在显著差异，且 ML 算法成功预测了因在转捩流体流动中使用 k-omega SST 湍流模型而引起的模型不确定性增加。
引用
@article{arxiv.1807.05605,
title = {Characterization of Model-Based Uncertainties in Incompressible Turbulent Flows by Machine Learning},
author = {Mustafa Usta and Ali Tosyali},
journal= {arXiv preprint arXiv:1807.05605},
year = {2019}
}
备注
ASME IMECE 2018