基于生成对抗网络的预混湍流-燃烧渐近区预测数据驱动模型
流体动力学
2022-09-15 v1 计算物理
摘要
预混火焰根据其各自长度尺度表现出放热与湍流相互作用的不同渐近区。在高 Karlovitz 数下,放热引起的膨胀相对于非反应流对湍动能没有显著效应,而在低 Karlovitz 数下,平均剪切是湍动能的汇,并观察到逆梯度输运。后一现象未被大涡模拟中常用的基于梯度扩散的封闭模型很好捕捉。直接数值模拟(DNS)提供的海量数据开启了开发数据驱动模型的可能性,这些模型能够表征这两种区中存在的物理机制与非线性特征。本工作中,数据库由对应于两个渐近区的不同 Karlovitz 数下的两平面氢/空气火焰 DNS 组成。在此背景下,生成对抗网络(GAN)若使用包含两个区的数据集训练,则能成功识别并重建梯度与逆梯度现象。首先训练两个 GAN 模型,各针对特定 Karlovitz 数,并使用同一数据集测试,以验证模型学习单一渐近区特征的能力并评估其精度。两种情况下,GAN 模型均能准确重建雷诺应力亚滤波尺度。随后,用两个数据集的混合训练 GAN,以创建包含两种燃烧区物理知识的模型。该模型能够重建两种情形的亚滤波尺度,从湍动能收支与重心图可见其捕捉放热与湍流相互作用接近 DNS。
引用
@article{arxiv.2203.04779,
title = {Predictive data-driven model based on generative adversarial network for premixed turbulence-combustion regimes},
author = {Temistocle Grenga and Ludovico Nista and Christoph Schumann and Amir Noughabi Karimi and Gandolfo Scialabba and Antonio Attili and Heinz Pitsch},
journal= {arXiv preprint arXiv:2203.04779},
year = {2022}
}
备注
24 pages, 11 figures. This article has been submitted for publication in Combustion Science and Technology, published by Taylor & Francis