機器學(xué)習(xí)在湍流模型構(gòu)建中的應(yīng)用進展
發(fā)布時間:2021-11-14 22:56
借助于高性能計算機和數(shù)據(jù)共享平臺的發(fā)展,研究者可以獲取大量的高分辨率湍流計算數(shù)據(jù)。近年來,隨著深度神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的發(fā)展,數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)方法也開始應(yīng)用于湍流模型中不確定度的量化以及模型的改進和構(gòu)建中。湍流大數(shù)據(jù)與人工智能相結(jié)合是湍流研究的一個新領(lǐng)域。研究者在取得一定成果的同時也面臨著諸多困難和挑戰(zhàn),例如模型的泛化能力和魯棒性等。模型構(gòu)建過程包含了數(shù)據(jù)處理、特征選擇以及模型框架的選取與優(yōu)化等諸多方面,這些方面在不同程度上影響模型的性能。本文從機器學(xué)習(xí)在湍流建模過程中的實現(xiàn)方法和模型的不同作用兩方面分析總結(jié)了目前主要的研究工作進展,并對這類問題面臨的挑戰(zhàn)和未來的研究展望進行了闡述。
【文章來源】:空氣動力學(xué)學(xué)報. 2019,37(03)北大核心CSCD
【文章頁數(shù)】:11 頁
【部分圖文】:
圖1機器學(xué)習(xí)應(yīng)用于湍流研究的主要研究方向及流程Fig.1Mainresearchdirectionandprocessofmachinelearningappliedtoturbulencestudy
型與N-S求解器求解出初始流場和雷諾應(yīng)力場,然后,所構(gòu)建的機器學(xué)習(xí)湍流模型根據(jù)已獲得的初始流場構(gòu)建模型輸入并展開預(yù)測。通過模型的預(yù)測值更新初始的雷諾應(yīng)力,將改善的雷諾應(yīng)力直接傳遞給求解器。另一種則與傳統(tǒng)RANS模型相同,所構(gòu)建的模型在從初始流場開始的每一迭代步都與求解器之間互相反饋,直至N-S方程求解器獲得收斂解,我們稱之為“緊耦合”,如圖2所示。其中,穩(wěn)定性問題在后者中表現(xiàn)得更明顯。(a)松耦合(b)緊耦合圖2機器學(xué)習(xí)湍流模型與CFD求解器的耦合Fig.2CouplingofmachinelearningturbulencemodelwithCFDsolver1機器學(xué)習(xí)建模過程基于機器學(xué)習(xí)方法的模型構(gòu)建過程主要包含數(shù)據(jù)處理、特征選取以及模型框架的確定及參數(shù)優(yōu)化等幾個方面。針對每一方面,研究者又可以采取不同的方法,例如模型框架可選擇網(wǎng)絡(luò)模型或樹模型,激活函數(shù)可選擇tanh或ReLu等等。這些方面在不同程度上影響模型的性能。Ling等人[40]比較了不同的分類器在預(yù)測湍流模型不確定度中的應(yīng)用,Zhang等人[41]比較了不同輸入對結(jié)果的影響,等等。模型框644空氣動力學(xué)學(xué)報第37卷
機器學(xué)習(xí)方法來改善RANS模型的研究思路大致可分為兩類:一種是通過改變模型的控制方程形式,如乘以修正系數(shù)或給方程增加源項;另一種是在RANS模型基礎(chǔ)上構(gòu)造偏差函數(shù),然后將RANS模型和偏差函數(shù)的計算結(jié)果疊加,作為最終的雷諾應(yīng)力值。前者主要是針對基于渦黏假設(shè)的一方程或兩方程RANS模型。研究者首先根據(jù)實驗結(jié)果或高分辨率數(shù)據(jù)反演計算出引入的修正系數(shù)或增加的源項,然后以此作為輸出,構(gòu)建出數(shù)據(jù)驅(qū)動的模型并將其與求解器耦合,流程圖如圖3所示。譬如,Singh等人[44]通過修正SA模型中的生成項來改變控制方程形式,使得修正后的模型能夠用于分離流的計算并取得與實驗更相符的計算結(jié)果。SA模型的原方程為:Dυ~Dt=P(υ~,U)-D(υ~,U)+T(υ~,U)(3)引入空間變量β(x)作為生成項的修正系數(shù),方程變?yōu)椋海摩浴模簦溅拢ǎ校é浴眨模é浴,U)+T(υ~,U)(4)圖3數(shù)據(jù)驅(qū)動的RANS求解器的構(gòu)建過程[31]Fig.3Processforbuildingadata-drivenRANSsolver[31]通過實驗結(jié)果對RANS模型的結(jié)果進行優(yōu)化,利用伴隨方法對場反演后得到β(x),然后基于機器學(xué)習(xí)方法建立流場變量與β(x)之間的映射。所構(gòu)建的模型具有很好的遷移性,并保證了原模型的收斂性,在不同程度上改善了原模型的計算結(jié)果。其中,14°攻角下S809翼型算例的壓力對
【參考文獻】:
期刊論文
[1]面向精準(zhǔn)工程湍流模型的理論研究[J]. 佘振蘇,唐帆,肖夢娟. 空氣動力學(xué)學(xué)報. 2019(01)
[2]號稱經(jīng)典物理留下的世紀(jì)難題“湍流問題”的實質(zhì)是什么?[J]. 周恒,張涵信. 中國科學(xué):物理學(xué) 力學(xué) 天文學(xué). 2012(01)
本文編號:3495516
【文章來源】:空氣動力學(xué)學(xué)報. 2019,37(03)北大核心CSCD
【文章頁數(shù)】:11 頁
【部分圖文】:
圖1機器學(xué)習(xí)應(yīng)用于湍流研究的主要研究方向及流程Fig.1Mainresearchdirectionandprocessofmachinelearningappliedtoturbulencestudy
型與N-S求解器求解出初始流場和雷諾應(yīng)力場,然后,所構(gòu)建的機器學(xué)習(xí)湍流模型根據(jù)已獲得的初始流場構(gòu)建模型輸入并展開預(yù)測。通過模型的預(yù)測值更新初始的雷諾應(yīng)力,將改善的雷諾應(yīng)力直接傳遞給求解器。另一種則與傳統(tǒng)RANS模型相同,所構(gòu)建的模型在從初始流場開始的每一迭代步都與求解器之間互相反饋,直至N-S方程求解器獲得收斂解,我們稱之為“緊耦合”,如圖2所示。其中,穩(wěn)定性問題在后者中表現(xiàn)得更明顯。(a)松耦合(b)緊耦合圖2機器學(xué)習(xí)湍流模型與CFD求解器的耦合Fig.2CouplingofmachinelearningturbulencemodelwithCFDsolver1機器學(xué)習(xí)建模過程基于機器學(xué)習(xí)方法的模型構(gòu)建過程主要包含數(shù)據(jù)處理、特征選取以及模型框架的確定及參數(shù)優(yōu)化等幾個方面。針對每一方面,研究者又可以采取不同的方法,例如模型框架可選擇網(wǎng)絡(luò)模型或樹模型,激活函數(shù)可選擇tanh或ReLu等等。這些方面在不同程度上影響模型的性能。Ling等人[40]比較了不同的分類器在預(yù)測湍流模型不確定度中的應(yīng)用,Zhang等人[41]比較了不同輸入對結(jié)果的影響,等等。模型框644空氣動力學(xué)學(xué)報第37卷
機器學(xué)習(xí)方法來改善RANS模型的研究思路大致可分為兩類:一種是通過改變模型的控制方程形式,如乘以修正系數(shù)或給方程增加源項;另一種是在RANS模型基礎(chǔ)上構(gòu)造偏差函數(shù),然后將RANS模型和偏差函數(shù)的計算結(jié)果疊加,作為最終的雷諾應(yīng)力值。前者主要是針對基于渦黏假設(shè)的一方程或兩方程RANS模型。研究者首先根據(jù)實驗結(jié)果或高分辨率數(shù)據(jù)反演計算出引入的修正系數(shù)或增加的源項,然后以此作為輸出,構(gòu)建出數(shù)據(jù)驅(qū)動的模型并將其與求解器耦合,流程圖如圖3所示。譬如,Singh等人[44]通過修正SA模型中的生成項來改變控制方程形式,使得修正后的模型能夠用于分離流的計算并取得與實驗更相符的計算結(jié)果。SA模型的原方程為:Dυ~Dt=P(υ~,U)-D(υ~,U)+T(υ~,U)(3)引入空間變量β(x)作為生成項的修正系數(shù),方程變?yōu)椋海摩浴模簦溅拢ǎ校é浴眨模é浴,U)+T(υ~,U)(4)圖3數(shù)據(jù)驅(qū)動的RANS求解器的構(gòu)建過程[31]Fig.3Processforbuildingadata-drivenRANSsolver[31]通過實驗結(jié)果對RANS模型的結(jié)果進行優(yōu)化,利用伴隨方法對場反演后得到β(x),然后基于機器學(xué)習(xí)方法建立流場變量與β(x)之間的映射。所構(gòu)建的模型具有很好的遷移性,并保證了原模型的收斂性,在不同程度上改善了原模型的計算結(jié)果。其中,14°攻角下S809翼型算例的壓力對
【參考文獻】:
期刊論文
[1]面向精準(zhǔn)工程湍流模型的理論研究[J]. 佘振蘇,唐帆,肖夢娟. 空氣動力學(xué)學(xué)報. 2019(01)
[2]號稱經(jīng)典物理留下的世紀(jì)難題“湍流問題”的實質(zhì)是什么?[J]. 周恒,張涵信. 中國科學(xué):物理學(xué) 力學(xué) 天文學(xué). 2012(01)
本文編號:3495516
本文鏈接:http://sikaile.net/kejilunwen/lxlw/3495516.html
最近更新
教材專著