基于深度残差网络的高精度自然转捩模拟方法

• 作者: 王光学 王圣业 邓小刚 郑天韵
• 来源期刊: 物理学报
• 关键词: 转捩流动 神经网络 间歇因子 加权紧致非线性格式
• 年，卷（期）: 2020,（20）
• 所属期刊栏目: 电磁学、光学、声学、传热学、经典力学和流体动力学
• 页码范围: 276-287
• 页数: 12页
• 语种: 中文
• DOI: 10.7498/aps.69.20200563

摘要

结合机器学习的湍流模型是流体力学领域的研究热点之一.现有方法主要将实验/数值的数据用于重构或修正湍流涡黏性和雷诺应力,鲜有针对转捩问题的研究.本文利用深度残差网络(ResNet)重构了间歇因子与流场平均量间的映射函数,并与Spallart-Allmaras(SA)模型耦合,发展了一种类代数转捩模型.结合高精度加权紧致非线性格式(WCNS-E6E5)在转捩平板和S809翼型算例中进行了验证,并与四方程的SST-γ-Reθ 转捩模型进行了对比,结果表明:纯数据驱动的ResNet模型能够准确预测间歇场,很大程度上改善了SA模型对自然转捩流动的模拟能力;训练数据仅基于两个零压力梯度转捩平板,模型能够应用于S809翼型不同迎角的情况,预测的升阻力特性和摩擦系数分布接近SST-γ-Reθ 转捩模型的结果;在此基础上,相较SST-γ-Reθ 模型节省了超过30％ 的计算成本.本研究显示了机器学习方法在转捩模型构建中的强大潜力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王光学		16	18	2.0	3.0
2	郑天韵		1	0	0.0	0.0
3	王圣业		1	0	0.0	0.0
4	邓小刚		1	0	0.0	0.0