基于多保真度输入的数据驱动湍流热通量建模
流体动力学
2024-09-06 v1
摘要
数据驱动 RANS 建模正成为利用高保真度数据所提供信息的一种极具前景的方法。然而，其广泛应用受到泛化能力以及对不同保真度级别输入数据间不一致性鲁棒性不足的挑战限制。对于热湍流闭合而言尤为如此，其本质上依赖于由低保真度或高保真度湍流动量模型提供的动量统计量。本研究考察了动量建模不一致性对利用多保真度数据集（DNS 和 RANS）训练的数据驱动热闭合模型的影响。对模型输入的分析表明，这两个保真度级别在输入空间中对应于不同的区域。本文表明，这种分离可以通过异构数据训练加以利用，使得模型能够检测其输入的保真度级别并相应地调整预测。具体而言，敏感性分析与验证表明，此类模型能够利用数据不一致性来增强其鲁棒性。最后，通过 CFD 仿真验证表明，对于传统模型提供的动量统计量受模型不确定性影响的流动，这种多保真度训练方法具有巨大潜力。
引用
@article{arxiv.2409.03395,
title = {Data-driven turbulent heat flux modeling with inputs of multiple fidelity},
author = {Matilde Fiore and Enrico Saccaggi and Lilla Koloszar and Yann Bartosiewicz and Miguel Alfonso Mendez},
journal= {arXiv preprint arXiv:2409.03395},
year = {2024}
}