用于层流–湍流转捩端到端建模的循环神经网络

对层流–湍流转捩的准确预测，是跨多种流动工况进行气动设计的计算流体力学模拟中的关键环节。传统的转捩预测方法不易推广到转捩过程依赖于大量参数的流动构型。相比之下，神经网络方法允许考虑更高维的输入特征，且不损害传统数据驱动模型的效率与精度。早期提出的神经网络方法遵循繁琐的流程：在宽频范围内预测不稳定性增长率，再经处理得到 N 因子包络，进而基于关联 N 因子确定转捩位置。本文提出一种基于循环神经网络的端到端转捩模型，其沿气动体表面顺序处理平均边界层剖面，直接预测二维翼型上的 N 因子包络与转捩位置。所提转捩模型已利用 53 个翼型在宽广弦雷诺数与攻角范围内的大型数据库进行开发与评估。本文提出的序列到序列转换模型，比早期预测翼型固定位置处单一不稳定性模态局部放大率的神经网络方法，提供了更直接的转捩位置准确预测途径。各类应用中遇到的海量翼型带来了额外困难。为此，我们就如何从大量可用数据中选取训练集提供了进一步见解。