大涡模拟中统计数据的集合变分同化
流体动力学
2021-09-28 v1 计算物理
摘要
本文发展了一种非侵入式数据同化方法，以改进大涡模拟（LES）的统计预测。集合变分（EnVar）方法旨在最小化一个代价函数，该函数定义为 LES 预测与来自实验的参考统计量（或在本文演示中来自独立的直接数值模拟（DNS））之间的差异。该方法用于调整 Smagorinsky 亚格子模型，并获得数据同化 LES（DA-LES），其能准确估计湍流槽道流的统计量。为了分别控制建模亚格子张量的均值与脉动，并最终控制一阶与二阶流动统计量，考虑了两类模型修正。第一类优化 Smagorinsky 系数的壁法向剖面，第二类在动量方程中引入可调稳态强迫以独立作用于平均流。利用这两个要素，数据同化过程可满意地修正亚格子模型并准确恢复参考流动统计量。在后验检验中，所恢复的亚格子模型显著优于动态模型与混合模型等更为精细的基线模型。通过改变雷诺数并考虑偏离常规建议的网格分辨率，评估了本数据同化方法的鲁棒性。利用 EnVar 的随机表述，所发展框架还可给出恢复模型的不确定性。
引用
@article{arxiv.2109.12295,
title = {Ensemble-variational assimilation of statistical data in large eddy simulation},
author = {Vincent Mons and Yifan Du and Tamer A. Zaki},
journal= {arXiv preprint arXiv:2109.12295},
year = {2021}
}