基于物理信息机器学习的高马赫数湍流边界层雷诺应力预测
流体动力学
2021-07-23 v1 机器学习
计算物理
摘要
建模雷诺应力是雷诺平均纳维-斯托克斯（RANS）模拟中模型形式不确定性的主要来源。近来，提出一种物理信息机器学习（PIML）方法用于重构 RANS 建模雷诺应力中的偏差。PIML 框架的优越性已在若干典型不可压缩流中得到证明。然而其在高马赫数流动下的表现仍不明确。本文中，我们利用 PIML 方法，借助已有 DNS 数据库预测高马赫数平板湍流边界层中 RANS 建模雷诺应力的偏差。具体而言，首先利用 DNS 训练流构造偏差函数，随后在不同于 DNS 的流动条件下用于修正 RANS 预测的雷诺应力。结果表明，该机器学习技术显著改善了 RANS 建模的湍流法向应力、湍流动能以及雷诺应力各向异性。在使用不同训练数据集时均一致观察到改善。此外，采用高维可视化技术与距离度量，仅基于 RANS 模拟对预测置信度进行先验评估。本研究表明，在缺乏实验与高保真模拟时，PIML 方法是一种计算代价可接受的技术，可用于提高高马赫数湍流 RANS 建模雷诺应力的精度。
引用
@article{arxiv.1808.07752,
title = {Prediction of Reynolds Stresses in High-Mach-Number Turbulent Boundary Layers using Physics-Informed Machine Learning},
author = {Jian-Xun Wang and Junji Huang and Lian Duan and Heng Xiao},
journal= {arXiv preprint arXiv:1808.07752},
year = {2021}
}
备注
28 pages, 12 figures