非均匀入流下圆柱体涡致阻力预测

在本信中，我们开发了一种基于物理的数据驱动策略，用于预测非均匀入流条件下圆柱体上的涡致阻力——这是中等雷诺数下工程应用中的一个普遍问题。由于复杂的涡动力学与非均匀入流相耦合，传统的基于压力信号的模型表现出局限性。为了解决这个问题，我们建立了一种改进的全连接神经网络（FCNN）架构，该架构将上游速度测量（作为入流校准）与基于压力信号的输入相结合，以增强预测能力（R^2 ~ 0 到 0.75）。在雷诺数 Re = 4000 下实施了直接数值模拟（DNS），用于模型训练和验证。通过迭代优化，推导出了压力传感器布置和上游位置速度分量的优化输入配置。优化后的模型在未来一个时间单位的时间窗口内预测高幅度阻力系数波动（C_d=0.2 - 1.2）时，R^2 得分达到 0.75。观察到模型性能与优化后的压力信号输入之间存在指数标度关系，并且稀疏分布但经过优化的传感器的预测能力可以通过该标度关系来解释。优化后的传感器布置对应于流动分离动力学在涡致阻力产生中起主导作用的物理机制。这项工作推进了机器学习在流固耦合系统中的应用，为在真实世界工程条件下预测湍流统计提供了一种可扩展的策略。