用于低普朗特数热湍流建模的物理约束机器学习
流体动力学
2022-01-19 v1
摘要
液态金属在新一代液态金属冷却核反应堆中起着核心作用，其数值研究需要对低普朗特数流体使用适当的热湍流模型。鉴于传统建模方法的局限性以及此类流体高保真数据的日益可得，我们提出了一种用于湍流热通量建模的机器学习策略。推导了完备的代数数学结构，并施加物理约束以确保促进适用性、鲁棒性与稳定性的良好性质。模型的闭合系数由人工神经网络（ANN）预测，该网络使用不同普朗特数下的 DNS 数据训练。通过对二维与三维液态金属流动的前验与后验验证，证实了该方法的有效性。模型提供了湍流热通量的完整矢量表示，且预测在较宽普朗特数范围（Pr=0.01-0.71）内贴合 DNS 数据。与其他现有热模型的对比表明该方法是很有前景的。
引用
@article{arxiv.2201.06301,
title = {Physics-constrained machine learning for thermal turbulence modelling at low Prandtl numbers},
author = {Matilde Fiore and Lilla Koloszar and Miguel Alfonso Mendez and Matthieu Duponcheel and Yann Bartosiewicz},
journal= {arXiv preprint arXiv:2201.06301},
year = {2022}
}