用于往复流的数据辅助物理信息传播子方法

本文提出一种以极大时间步长模拟动态往复流的新方法。基于类比法，利用一组预计算的流场时间序列片段进行数据驱动预测。随后，利用初始流态与其数据库中最近邻之间的演化偏差对上述预测进行修正。这些偏差的演化由线性化 Navier-Stokes 方程传播子卷积得到，其中线性化围绕数据库中最相似的状态进行。该近似引起的误差 $E_{\textrm{lin}}$ 决定了用于确定最近邻流场的合适距离函数。我们在圆柱后二维涡脱落的简单案例中测试了该方法，雷诺数约为 200，时间步长最大可达用于以 PISO 算法生成底层数据步长的 200 倍。短期预测显示出高度准确性，误差与多种案例变化下的 $E_{\textrm{lin}}$ 良好相关。即便经过多步之后，预测流场仍与高保真 CFD 计算高度一致，时间平均的相对误差在 1% 量级。此外，观察到总动量和动能等全局量具有优异的守恒特性。