通用数据驱动湍流模型的开发：条件场反演与符号回归

本文解决了使用雷诺平均 Navier-Stokes (RANS) 湍流模型预测分离流的问题，这对许多工程任务至关重要。传统的 RANS 模型通常难以胜任此任务，因此最近的努力集中在数据驱动方法上，如场反演与机器学习 (FIML)，通过调整基准方程来纠正这一问题。然而，这些 FIML 方法往往会降低附着边界层的精度。为解决此问题，我们开发了一种“条件场反演”技术。该方法调整剪切应力传输 (SST) 模型中 FIML 使用的修正因子 $\eta$。它将 $\eta$ 乘以一个屏蔽函数 $f_d$，该函数在边界层内关闭而在其他地方开启。这保持了基准模型对附着流的精度。我们将条件场反演和经典场反演应用于 NASA hump 和曲率后向台阶 (CBFS)，创建了两个数据集。这些数据集用于训练两个模型：SR-CND（来自我们的新方法）和 SR-CLS（来自传统方法）。SR-CND 模型在预测各种场景（如周期性山丘、NLR7301 翼型、3D SAE 汽车模型和 3D Ahmed 车身）中的分离流方面与 SR-CLS 模型相当，并在本文提出的案例中优于基准 SST 模型。重要的是，SR-CND 模型保持了附着边界层的精度，而 SR-CLS 模型则不能。因此，所提出的方法在保持原始模型对附着流精度的同时改进了分离流的预测，为创建数据驱动湍流模型提供了更好的途径。