中文

用于穿孔板压力损失的克里金与神经网络模型

流体动力学 2026-06-28 v1 机器学习
作者: Shuai Li
在 arXiv 上查看 ↗ PDF ↗

摘要

本文提出了两种基于克里金和神经网络(NN)的新型数据驱动模型，用于预测湍流中带有圆形穿孔的穿孔板上的压力损失。这些模型使用文献中可用的两组实验数据开发。评估了所提模型的预测性能，并与广泛使用的经验公式进行了比较。研究发现，对于实验数据集中包含的大多数穿孔板配置，所提模型始终优于现有的经验模型。此外，预测的压力损失通常与实验测量值吻合良好，这表明基于克里金和 NN 的数据驱动方法为穿孔板压力损失建模提供了可行的框架。总体而言，尽管由于文献中报告的测量数据稀缺，模型是在相对有限的实验数据上训练的，但这两种方法都很有前景。为了展示所提模型在数值模拟中的适用性，使用雷诺平均 Navier-Stokes (RANS) 方程模拟了二维通道流，其中新的压力损失模型作为动量方程中的源项实现。发现 RANS 预测与模型预测高度一致，证实了所提方法适用于实际计算流体力学应用。

关键词

克里金 神经网络 穿孔板 压力损失 数据驱动建模 RANS 方程

引用

@article{arxiv.2606.29628,
  title  = {Kriging and neural network models for pressure losses across perforated plates},
  author = {Shuai Li},
  journal= {arXiv preprint arXiv:2606.29628},
  year   = {2026}
}