将 LSTM 预测用于 RANS 模拟

本研究构成了旨在评估采用长短期记忆（LSTM）神经网络替代雷诺平均 Navier-Stokes（RANS）湍流模型可行性的研究计划的第二阶段。在本研究的初始阶段（题为《使用 LSTM 神经网络对湍流建模》，arXiv:2307.13784v1 [physics.flu-dyn] 2023年7月25日），展示了将基于 LSTM 的循环神经网络（RNN）作为传统 RANS 模型替代方案的应用。LSTM 模型被用于预测充分发展和正在发展的湍流槽道流中的剪切雷诺应力，并将这些预测通过 RANS 模拟进行传播，以获得湍流的平均流场。研究进行了比较分析，将计算流体力学（CFD）模拟中的 LSTM 结果与 $\kappa-\epsilon$ 模型的结果以及直接数值模拟（DNS）的数据进行了对比。这些初步发现表明 LSTM 方法具有良好的性能。第二阶段进一步深入探讨了所遇到的挑战，并提出了稳健的解决方案。此外，提供了新的结果，证明了 LSTM 模型在预测扰动流中湍流行为方面的有效性。虽然总体研究作为 LSTM 网络应用于 RANS 湍流建模的概念验证，但本阶段提供了其在处理更复杂流动场景方面潜力的有力证据。