用于平均流重构的湍流模型增强物理信息神经网络
流体动力学
2024-02-27 v2 计算物理
摘要
湍流实验测量与数值模拟的特点是在精度与分辨率之间存在权衡。在本研究中，我们将精确稀疏点状平均速度测量与雷诺平均Navier-Stokes（RANS）方程结合，使用数据同化方法。重要的是，我们在基于物理信息神经网络（PINNs）的数据同化（DA）与基于流方程经典空间离散化的变分方法之间架起桥梁，通过在同一个湍流算例上比较两种方法。首先，通过用稀疏数据和无闭合项的欠定RANS方程约束PINN，我们表明平均流的重构精度高于使用Spalart-Allmaras（SA）湍流模型的RANS求解器。其次，我们提出SA湍流模型增强的PINN（PINN-DA-SA），在粗测量下其平均速度重构误差较前一种方法最多降低73%。额外的SA物理约束改善了高速度及压力梯度和分离区域中的流重构。第三，我们将PINN-DA-SA方法与使用相同稀疏速度测量和物理约束的变分数据同化进行比较。PINN-DA-SA在一系列数据分辨率下均取得更低的重构误差。这归因于变分方法中的离散化误差被PINNs所避免。我们使用来自由Re = 5600的湍流周期山直接数值模拟的高保真测量演示该方法。
引用
@article{arxiv.2306.01065,
title = {Turbulence model augmented physics informed neural networks for mean flow reconstruction},
author = {Yusuf Patel and Vincent Mons and Olivier Marquet and Georgios Rigas},
journal= {arXiv preprint arXiv:2306.01065},
year = {2024}
}
备注
Accepted for PRF