用于湍流流预测的几何感知 PINN

计算流体动力学（CFD）常用于工业界的设计探索或优化。几何变异是此类设计问题的关键组成部分，尤其是在湍流场景中，涉及在每个设计迭代中运行昂贵的仿真。虽然参数化RANS-PINN类方法已被证明可有效地作为湍流代理模型，用于在给定几何条件下预测未知雷诺数流场，以实现接近实时的预测，但具备预测不同几何的几何感知物理信息神经网络（geometry aware PINN）的代理模型相对少研究。已创建一种新型几何感知参数化PINN代理模型，可预测NACA 4位数气动foil在湍流条件下的流场，适用于未见的形状以及入口流条件。提出了一种结合局部+全局方法的嵌入方案，可使用气动foil的已知全局设计参数以及局部SDF值作为模型输入，同时包含速度入口/雷诺数（$\mathcal{R}_e$），以预测流场。采用含2-方程k-epsilon湍流模型的纳维-斯托克斯方程RANS公式化形式用于PDE损失，此外还使用来自8个不同NACA气动foil的有限CFD数据进行训练。模型随后用未知NACA气动foil在未见雷诺数下的验证数据进行验证。