在数据驱动的 RANS 闭合中分类高模型误差区域：在风力机尾流中的应用
流体动力学
2021-06-30 v1
摘要
当存在 LES 参考数据时——在风能领域也是如此——数据驱动的雷诺平均纳维-斯托克斯（Reynolds-Averaged Navier-Stokes, RANS）湍流闭合日益被视为通用 RANS 闭合的可行替代方案。具有少量简单项的简约闭合在稳定性、可解释性和执行速度方面具有优势。然而经验表明，闭合模型修正仅需在有限区域内进行——例如在风力机近尾流中，而非在大部分流场中。因此，一个简约模型必须在尾流中的精确修正与其他地方的零修正之间找到折中。我们尝试通过引入一个分类器来识别需要修正的区域，并仅在那里拟合与应用我们的模型修正，以解决这一僵局。我们观察到，这样一个（必须仅由 RANS 可得量计算出的）分类器易于构建，且运行准确。我们进一步观察到，当局限于所识别区域时，修正模型比在其他情况下显著更简单（项数更少），但具有相似或更好的精度。我们将我们的框架应用于三个在中性条件下具有相互作用尾流的多风力机流动。
引用
@article{arxiv.2106.15593,
title = {Classifying regions of high model error within a data-driven RANS closure: Application to wind turbine wakes},
author = {J. Steiner and R. Dwight and A. Viré},
journal= {arXiv preprint arXiv:2106.15593},
year = {2021}
}