使用神经网络降低 outflow 边界对气动性能的影响
计算物理
2025-06-06 v1 流体动力学
摘要
在计算流体动力学中预测气动力和/或声发射时，对outflow边界条件的准确处理仍然是一个关键挑战。这在采用格子玻尔兹曼方法（LBM）作为数值求解技术时尤为明显，该方法经常受到来自outflow边界的人工反射引起的精度损失的影响。本文研究了使用神经网络（NN）来缓解这些不利的边界效应并实现截断域需求。提出了两种不同的基于NN的方法：（1）直接重建outflow边界处未知的粒子分布函数；（2）通过动态调节参数来增强已建立的特征边界条件（CBC）。直接重建模型在圆柱障碍物上的二维流数据上进行训练。阻力、升力和斯特劳哈尔数被用于测试新的边界条件。我们分析了各种雷诺数和受限域尺寸下的结果，与传统的Zou & He边界条件相比，新方法展示了显著改善的预测能力。为了检验基于NN的重建的鲁棒性，相同的条件被应用于NACA0012翼型的模拟，再次提供了准确的气动性能预测。神经网络增强的CBC在二维对流涡旋基准测试上进行了评估，与固定参数的CBC相比，在最小化密度误差方面表现出优越性能。这些发现突显了神经网络集成边界条件在提高LBM的气动和声发射模拟精度以及降低计算成本方面的潜力。
引用
@article{arxiv.2506.05293,
title = {Reduction of Outflow Boundary Influence on Aerodynamic Performance using Neural Networks},
author = {Mario Christopher Bedrunka and Dirk Reith and Holger Foysi and Łukasz Łaniewski-Wołłk and Travis Mitchell},
journal= {arXiv preprint arXiv:2506.05293},
year = {2025}
}