湍流槽道流中各向异性雷诺应力张量的神经网络模型
流体动力学
2020-12-02 v1 计算物理
摘要
雷诺平均纳维-斯托克斯(RANS)方程目前是模拟湍流最流行的模型之一。进行RANS模拟需要对各向异性雷诺应力张量进行额外的建模,但传统的雷诺应力封闭模型只能给出部分可靠的预测。近年来,涉及新颖机器学习技术的雷诺各向异性张量数据驱动湍流模型引起了相当关注并迅速发展。针对湍流槽道流这一特定情形下的雷诺应力封闭建模,本文对标准神经网络提出三种改进,以考虑各向异性张量的无滑移边界条件、雷诺数依赖性和空间非局部性。在针对不同雷诺数下的槽道流进行训练和测试时,改进模型相比标准神经网络显示出更高的预测精度。结合边界条件强制与雷诺数注入的模型表现最佳。该模型在湍流槽道流数据集上也优于张量基神经网络(Tensor Basis Neural Network, Ling et al., 2016)。
引用
@article{arxiv.1909.03591,
title = {Neural Network Models for the Anisotropic Reynolds Stress Tensor in Turbulent Channel Flow},
author = {Rui Fang and David Sondak and Pavlos Protopapas and Sauro Succi},
journal= {arXiv preprint arXiv:1909.03591},
year = {2020}
}