利用卷积神经网络预测粘弹性湍流槽道中的流动与聚合物应力

我们利用神经网络模型预测粘弹性湍流槽道中靠近壁面的瞬时流动。利用壁面处的数值模拟数据，预测缓冲层内三个不同壁法向位置处的瞬时速度脉动和聚合物应力脉动。非侵入式预测的能力在非牛顿湍流中尚未被研究。我们的分析表明，在粘弹性湍流中，速度脉动可以从壁面测量中得到很好的预测。模型在“冬眠”区间内预测目标量的精度更高，这有助于理解低阻力事件背后的物理机制。神经网络模型在预测壁法向位置处的聚合物剪切应力和聚合物应力迹线方面也表现出相当好的准确性。该方法可用于流动控制，或当实验只能获得壁面信息时（例如在不透明流体中）。更重要的是，实验上只能测量速度和压力信息，而聚合物伸长和取向虽然对湍流动力学至关重要，却无法直接测量。因此，我们研究了从粘弹性湍流中的速度或压力测量重建聚合物应力场的可能性。结果令人鼓舞，但也强调输入速度场中缺乏小尺度结构会改变从流动到聚合物的能量传递速率，从而影响聚合物应力脉动的预测。本方法不仅有助于提取聚合物应力信息，还有助于理解粘弹性湍流中速度场与聚合物应力场之间的联系。