基于贝叶斯优化、深度学习与持续数据拓扑的射流混合增强

我们在雷诺数为$3000$的大涡模拟（LES）下优化射流混合。关键方法支撑包括贝叶斯优化、由深度学习增强的代理模型，以及用于物理解释的持续数据拓扑。混合性能由位于下游$8$倍直径处平面上的流向速度导出的等效射流半径（$R_{\rm eq}$）表征。优化在一个包含绝大多数已知激励的22维激励空间中进行。该对象受益于一个包含绝大多数已知激励的22维激励空间。该搜索空间参数化了施加于主体流及喷嘴周边沿流向和径向的分布式激励。动量通量度量激励的能量输入。经过约$570$次评估后，优化使射流半径$R_{\rm eq}$增至四倍，形成具有$7$个臂的绽放状射流。控制输入需要主流$2\%$的动量通量，比临时的双模态激励低一个数量级。有趣的是，搜索空间中一个显著的次优解与一种新型流型——双螺旋射流相关。该射流模式带来的混合改善可与绽放状射流相媲美。一种最先进的贝叶斯优化收敛于该双螺旋解。通过在优化过程中训练得到的代理模型，学习被加速并收敛到另一个更优极值。持续数据拓扑提取了激励空间中的全局与众多局部极小。这些极小可对应于有益于混合的流型。