基于卷积神经网络预测湍流的近壁区域

对壁面有界湍流的近壁区域进行建模，是在高雷诺数下降低大涡模拟（LESs）计算成本的普遍做法。作为数据驱动壁面模型的第一步，本文研究了一种基于神经网络的方法，用于预测湍流明渠流中的近壁行为。Guastoni 等人 [预印本, arXiv:2006.12483] 提出的全卷积网络（FCN）被训练用于预测 $y^{+}_{\rm target}$ 处的二维速度脉动场，使用位于离壁面更远处 $y^{+}_{\rm input}$ 的壁平行平面中采样的脉动作为输入。训练与测试数据来自摩擦雷诺数 $Re_{\tau} = 180$ 和 $550$ 的直接数值模拟（DNS）。湍流速度脉动场在多个壁法向位置采样，即 $y^{+} = \{15, 30, 50, 80, 100, 120, 150\}$。在 $Re_{\tau}=550$ 时，FCN 可利用流动对数区的自相似性，以 $y^{+} = 100$ 处的速度脉动场为输入预测 $y^{+} = 50$ 处的速度脉动场，且流向脉动强度预测误差小于 20%。这些结果可作为开发基于神经网络方法以在数值模拟中建模壁面湍流的鼓舞人心的起点。