基于遗传启发的湍流边界层对流换热增强
流体动力学
2023-04-27 v2 机器学习
摘要
采用基于线性遗传算法控制(LGAC)的人工智能方法，增强了平板上湍流边界层(TBL)的对流换热。执行器为一组六个与来流对齐的横向流狭缝射流。开环最优周期激励由载波频率、占空比和执行器间相位差作为控制参数定义。控制律针对未扰动TBL和稳态射流激励进行优化。代价函数包含壁面对流换热率与激励代价。通过红外热成像评估控制器性能，并利用粒子图像测速测量进行表征。最优控制器产生轻微非对称流场。LGAC算法对所有执行器收敛到相同频率与占空比。值得注意的是，该频率惊人地等于近壁区内大尺度湍流结构平流的特征行程时间的倒数。多射流激励间相位差被证明非常相关，且是流动非对称的主要驱动因素。结果指出了机器学习控制在揭示激励空间内未探索控制器方面的潜力。我们的研究还证明了在实验研究中将复杂测量技术与先进算法结合使用的可行性。
引用
@article{arxiv.2304.12618,
title = {Genetically-inspired convective heat transfer enhancement in a turbulent boundary layer},
author = {Rodrigo Castellanos and Andrea Ianiro and Stefano Discetti},
journal= {arXiv preprint arXiv:2304.12618},
year = {2023}
}
备注
20 pages, 13 figures