物理信息数据驱动的近壁面建模用于高雷诺数湍流的格子玻尔兹曼模拟

数据驱动方法为提升湍流模拟性能提供了新机遇，这对从风电场、气动设计到天气与气候预报等广泛应用至关重要。虽然传统的连续介质 Navier-Stokes 求解器在该领域已进行了大量研究，但对于更具可扩展性和高性能的格子玻尔兹曼方法（LBM），尽管其已成功利用大涡模拟（LES）技术应用于多种湍流模拟，但在同一方向上的努力迄今非常有限。在本工作中，我们建立了一个基于 LES 的格子玻尔兹曼模拟近壁湍流场的数据驱动框架。我们通过使用改进的延迟分离涡模拟数据进行神经网络训练来实现这一目标。关键在于，此举结合了基于物理的信息，从而大幅约束了数据驱动的预测。利用摩擦雷诺数为 $5200$ 的湍流通道流数据，我们的模拟能够准确预测任意摩擦雷诺数（最高达 $1.0 \times 10^6$）下的壁面模型行为。与其他使用直接数值模拟数据集的模型相比，我们的物理信息模型仅需来自壁面束缚平面内极小区域的数据，将训练所需数据量减少了三个数量级。我们还证明了该模型能够处理近壁网格稀疏的数据配置。我们的物理信息神经网络方法开启了将 LBM 与高度特异性因而数量更有限的宏观数据相结合的可能性，从而极大地促进了在超大尺度上对广泛湍流应用的研究。