雷诺平均纳维-斯托克斯模型的约束再标定
流体动力学
2023-10-17 v1
摘要
雷诺平均纳维-斯托克斯(RANS)湍流模型中的常数与函数是耦合的。因此，对RANS模型的修改常会对其基本标定产生负面影响，这正是机器学习增强在训练数据集之外往往有害的原因。一种解决方案是识别出不影响基本标定的自由度，并在将基线模型再标定以适应特定应用时仅修改这些已识别的自由度。该方法俗称“橡皮筋”方法，我们在本文中正式称之为“约束模型再标定”。为阐明该方法的有效性，我们识别出Spalart-Allmaras (SA)模型中不影响对数律标定的自由度。随后将这些自由度与基于数据的方法对接，我们训练模型以解决历史上具有挑战性的流动场景，包括圆射流/平面射流异常、翼型失速、二次流分离以及分离后的恢复。除在训练数据集内表现良好外，训练所得模型在训练数据集外的性能与基线模型相近。
引用
@article{arxiv.2310.09368,
title = {Constrained re-calibration of Reynolds-averaged Navier-Stokes models},
author = {Yuanwei Bin and George Huang and Robert Kunz and Xiang I A Yang},
journal= {arXiv preprint arXiv:2310.09368},
year = {2023}
}