基于深度学习的滤波密度函数用于湍流标量混合大涡模拟的研究
流体动力学
2023-10-02 v2 计算工程、金融与科学
摘要
本文引入一种基于深度神经网络（DNN）的滤波密度函数（FDF）模型，称为 DNN-FDF，用于涉及守恒标量输运的湍流大涡模拟（LES）。本研究的主要目标是开发 DNN-FDF 模型并评估其在计算各种滤波矩（包括非线性源项的滤波矩）方面的预测能力。提出了一种通过学习曲线选择 DNN 训练样本量与架构以最小化偏差与方差的系统方法。开发了两种 DNN-FDF 模型，一种利用常密度时间混合层的直接数值模拟（DNS）的 FDF 数据，另一种利用零维成对混合搅拌反应器模拟的数据。后者特别适用于生成 DNS 数据在计算上不可行的情况。DNN-FDF 模型被应用于变密度时间混合层的 LES。通过将预测的滤波标量矩与直接求解矩输运方程的传统 LES 进行比较，确立了两种 DNN-FDF 模型的准确性与一致性。结果表明 DNN-FDF 模型优于广泛使用的假定 FDF 模型，特别是对于多峰 FDF 和较高方差值。结果进一步针对 DNS 和输运 FDF 方法进行了评估。后者将 LES 与蒙特卡洛耦合以计算混合分数 FDF。最重要的是，研究表明 DNN-FDF 模型能够准确滤波变密度流中高度非线性的函数，突出了其在湍流反应流模拟中的潜力。总体而言，DNN-FDF 方法被证明为描述湍流标量输运提供了一种准确且计算经济的方法。
引用
@article{arxiv.2307.07453,
title = {Investigation of Deep Learning-Based Filtered Density Function for Large Eddy Simulation of Turbulent Scalar Mixing},
author = {Shubhangi Bansude and Reza Sheikhi},
journal= {arXiv preprint arXiv:2307.07453},
year = {2023}
}