基于集合数据同化的混合亚格子尺度模型用于大涡模拟
流体动力学
2023-08-16 v3
摘要
针对湍流大涡模拟（LES）中的亚格子尺度（SGS）封闭问题，提出了一种基于集合卡尔曼滤波（EnKF）的混合模型（EnKF-MM）。模型系数通过基于 EnKF 的数据同化技术确定。对直接数值模拟（DNS）结果进行滤波以获得 LES 的基准数据。重构滤波后 DNS（fDNS）数据的正确动能谱被用作 EnKF 优化混合模型函数部分系数的目标。随后在所提出的 EnKF-MM 框架下对不可压缩均匀各向同性湍流（HIT）和湍流混合层（TML）的 LES 进行了测试。通过预测流动统计量对 LES 的性能进行了全面检验，包括速度谱、SGS 应力概率密度函数（PDFs）、应变率 PDF 和 SGS 能量通量 PDF。还检验了结构函数、湍动能演化、平均流与雷诺应力剖面以及 Q 准则的等值面，以评估不同 SGS 模型对时空的预测。与传统 SGS 模型（包括动态 Smagorinsky 模型（DSM）、动态混合模型（DMM）和速度梯度模型（VGM））相比，EnKF-MM 框架的结果始终更令人满意，展示了其在湍流 LES 的 SGS 模型优化中的巨大潜力。
引用
@article{arxiv.2305.11112,
title = {Ensemble data assimilation-based mixed subgrid-scale model for large-eddy simulations},
author = {Yunpeng Wang and Zelong Yuan and Jianchun Wang},
journal= {arXiv preprint arXiv:2305.11112},
year = {2023}
}