基于顺序数据同化提高大尺度涡流模拟预测能力
流体动力学
2025-03-20 v1
摘要
基于 ensemble Kalman filter(EnKF) 的数据同化(DA) 策略用于增强尺度解析数值工具用于分析循环行为流动的预测能力。更准确地说，使用大尺度涡流模拟(LES) 对可压缩稳态流动台进行 ensemble 数值运行，通过整合高保真数据增强了该观测。该观测以瞬时速度测量的形式出现，这些测量在物理域中的局部传感器处抽样。针对两个目标：第一个是校准适合捕获所研究循环流动的非稳态入口条件；第二个是分析 LES 预测的速度场与可用观测的同步。为了减少该分析所需的计算成本，提出了超局部化程序(HLEnKF)，并集成到专为执行快速在线 DA 而设计的 CONES 库中。该策略对入口条件进行满意的校准，其鲁棒性通过两种不同的先验分布进行评估，这些先验分布是为优化该任务中自由参数所采用的。DA 状态估计高效获取与观测数据一致的局部速度场同步。对流场动能的模态分析提供了关于速度场重构质量的额外信息，显示出改进。因此，HLEnKF 在校准和同步尺度分辨湍流方面显示出有前景的特征，为使用诸如数字孪生体等先进工具处理复杂现象开辟了应用前景。
引用
@article{arxiv.2503.14977,
title = {Enhancement of Large Eddy Simulation for the prediction of an intake flow rig using sequential Data Assimilation},
author = {Lucas Villanueva and Karine Truffin and Jacques Borée and Marcello Meldi},
journal= {arXiv preprint arXiv:2503.14977},
year = {2025}
}