用于湍流大涡模拟的反卷积人工神经网络模型
流体动力学
2020-12-02 v2
摘要
为大涡模拟（LES）中湍流的次网格尺度（SGS）应力发展了反卷积人工神经网络（DANN）模型。将不同空间点处的滤波速度作为 DANN 模型的输入特征以重构未滤波速度。DANN 模型的网格宽度选得小于滤波宽度，以精确刻画 SGS 动力学的影响。在先验研究中，DANN 模型比传统的近似反卷积方法（ADM）和速度梯度模型（VGM）能更准确地预测 SGS 应力：DANN 模型的相关系数可达 99% 以上，相对误差可小于 15%。在后验研究中，对 DANN 模型、隐式大涡模拟（ILES）、动态 Smagorinsky 模型（DSM）和动态混合模型（DMM）的综合比较表明：DANN 模型在速度谱、速度各类统计量及瞬时相干结构的预测上优于 ILES、DSM 和 DMM 模型，且不显著增加计算代价。此外，经训练后的 DANN 模型无需任何微调即可对不同滤波宽度下的速度统计量作出良好预测。这些结果表明，考虑 SGS 空间特征的 DANN 框架是发展湍流 LES 中先进 SGS 模型的一种有前景的途径。
引用
@article{arxiv.2007.14212,
title = {Deconvolutional artificial neural network models for large eddy simulation of turbulence},
author = {Zelong Yuan and Chenyue Xie and Jianchun Wang},
journal= {arXiv preprint arXiv:2007.14212},
year = {2020}
}
备注
32 pages, 13 figures