通过卷积神经网络预测壁面剪切应力与壁面压力

本研究的目的是评估基于卷积的神经网络预测湍流明渠流中壁面量的能力。首先通过训练全卷积网络（FCN）来预测内缩放壁面法向位置 $y^{+}_{\rm target}$ 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速度脉动。将 FCN 的预测与所提出的 R-Net 架构的预测进行比较。由于发现 R-Net 模型优于 FCN 模型，因此对前者架构进行优化，以根据离壁面更远处采样的速度脉动场预测二维流向与展向壁面剪切应力分量及壁面压力。数据集来自 $Re_{\tau} = 180$ 和 $550$ 的明渠流 DNS。湍流速度脉动场在各种内缩放壁面法向位置采样，同时采样壁面剪切应力与壁面压力。在 $Re_{\tau}=550$ 时，FCN 和 R-Net 均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，流向脉动强度预测误差约 10%。此外，R-Net 还能以 $y^+ = 50$ 处的速度脉动场为输入预测壁面剪切应力与壁面压力场，在 $Re_{\tau} = 180$ 和 $550$ 下相应脉动强度误差约 10%。这些结果可作为开发基于神经网络的大涡模拟近壁湍流建模方法的鼓舞人心的起点。