基于三维深度学习的变雷诺数非定常流动降阶模型
流体动力学
2022-04-06 v1
摘要
我们提出了一种基于深度学习的降阶模型（DL-ROM），用于预测流体作用力与非定常涡结构。我们考虑球体绕流以检验 DL-ROM 预测的精度。所提方法依赖于三维卷积循环自编码器网络（3D CRAN）从全阶快照中提取低维流动特征。低维特征使用基于长短期记忆的循环神经网络在时间上推进，并重建为全阶流动体素。这些三维体素作为点云域中的静态均匀查询探针，以降低非结构网格的复杂性，同时为 3D CRAN 训练提供便利。我们分析了从三维流动体素恢复界面描述与作用力量的新流程。3D CRAN 方法首先应用于单雷诺数 Re = 300 下静止球体外部绕流。我们评估了与 3D CRAN 框架相关的内存占用、训练成本和测试时间等计算需求。随后，将变 Re 流动信息融入单一 3D CRAN 中，以学习球体绕流的复杂破缺对称流动区间（280 < Re < 460）。分析了在相对较小的时间序列数据集上训练该复杂三维流动区间时迁移学习的效果。3D CRAN 框架学习该流动区间比并行全阶模型快近 20 倍，并以优异至良好的精度预测非定常流。基于预测的流场，该网络在所选流动区间内对球体阻力的 R2 精度为 98.58%，对升力的 R2 精度为 76.43%。所提框架契合具有变 Re 效应的三维非定常流场数字孪生的发展。
引用
@article{arxiv.2112.09302,
title = {Three-dimensional deep learning-based reduced order model for unsteady flow dynamics with variable Reynolds number},
author = {Rachit Gupta and Rajeev Jaiman},
journal= {arXiv preprint arXiv:2112.09302},
year = {2022}
}