基于混合U-Net和傅里叶神经算子框架的湍流流动模拟
流体动力学
2026-03-17 v5
摘要
模拟体大尺度分离湍流流动是大尺度涡流模拟（LES）的主要应用之一。本文提出了一种基于混合U-Net和傅里叶神经算子（HUFNO）框架的机器学习方法，用于周期性山丘上湍流流动的快速模拟。新提出的HUFNO模型以一种新颖方式集成了卷积神经网络（CNN）和傅里叶神经算子（FNO）的优势，FNO在流场的周期方向上应用，而非周期性由CNN-based U-Net框架处理。在数值测试中，与原始FNO和U-Net框架相比，HUFNO模型在速度场和鲁道斯应力的预测中表现出更高的准确性。进一步的LES数值实验表明，HUFNO框架在预测湍流统计特性、能谱、速度梯度不变特性、壁面应力和流动分离结构方面，优于传统的斯卡莱克斯模型（SMAG）和壁面适应局部湍动力模型（WALE），且计算成本更低。重要的是，HUFNO框架的准确性和效率可移植到未见的初始条件、雷诺数和山丘形状，凸显了其在快速预测曲面边界上强分离湍流流动方面的巨大潜力。
引用
@article{arxiv.2504.13126,
title = {Machine-learning-based simulation of turbulent flows over periodic hills using a hybrid U-Net and Fourier neural operator framework},
author = {Yunpeng Wang and Huiyu Yang and Zelong Yuan and Zhijie Li and Wenhui Peng and Jianchun Wang},
journal= {arXiv preprint arXiv:2504.13126},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2403.03051