基于直接数值模拟数据和神经网络的湍流封闭模型构建
发布时间：2021-04-12 05:41
雷诺平均Navier-Stokes方程（Reynolds-averagedNavier-StokesRANS）是目前工程上高效数值模拟湍流的基本方法,但这一方法需要给出关于雷诺应力的湍流封闭模型。该文从环形方管流场的直接数值模拟（DirectNumerical Simulation,DNS）数据出发,构建了一种基于神经网络的湍流封闭模型。文中利用环形方管流场DNS结果中的平均速度场及其梯度场作为流动特征输入量,与雷诺应力张量中各分量分别建立神经网络映射,从而构造出平均速度场及其梯度场与湍流雷诺应力的非参数化映射关系。计算结果表明,通过对环形方管DNS数据的深度学习,神经网络模型可有效地表达湍流时平均流场与雷诺应力之间的映射关系,并且能够准确地重构DNS所给出的雷诺应力,进而采用RANS基本方程捕捉到传统湍流模型中难以模拟的湍流驱动二次流现象,为新型湍流封闭模型的构建及其工程计算的实现提供创新思路。
【文章来源】：水动力学研究与进展（A辑）. 2020,35(02)北大核心CSCD
【文章页数】：14 页
【部分图文】：
(网上彩图)展向时均合速度22vw对比图Fig.11(Coloronline)Comparisonsoftime-averagedsecondaryvelocity22vw参考文献:
iu，即iu在x方向的速度梯度为0，故在神经网络输入层共有九个独立特征量。为防止iu和ijl的取值范围差异过大，造成神经网络训练时的数据信息丢失，本文利用了输入特征各分量自身绝对值的均值x进行归一化处理，即有xXx(13)式中：X为归一化之后的新数据，x为未经归一化的数据，x为所有样本点中该数据绝对值的平均值。同理，作为学习目标的雷诺应力分量也进行归一化处理。将上述处理后的流动信息特征与雷诺应力放入本文架构的神经网络中开展深度学习。图6为本文所用神经网络的结构示意图。图6中每个圆圈代表一个节点，箭头表示节点之间的权重和信息传递方向，即前一层的输出为后一层的输入，同层节点间无法相互传递信息。其中x(l[1,L])l的集合构成输图6多层神经网络全连接的示意图Fig.6Diagramofmulti-layerneuralnetwork
王述之，等：基于DNS数据和神经网络的湍流封闭模型构建151图10比对剖线位置图Fig.10Profilelocationforcomparison神经网络深度学习的方法构建湍流映射模型。通过对传统参数化湍流模型的分析，认识到时均速度场及其梯度场对于构建湍流模型的重要性。将上述两类物理量作为特征量，利用神经网络挖掘特征量与雷诺应力之间的关系，建立基于神经网络的非参数化映射模型，并利用该模型对雷诺应力进行重构。结果表明，采用本文提出的湍流模型能够较准确地由时间平均流场信息重构出湍流雷诺应力，并能通过求解相关封闭的RANS方程，准确地还原DNS流场中的平均主流流场和湍流驱动的二次流信息。相较线性湍流模型而言，本文提出的模型能更准确地重现湍流特有的流动现象，计算精度更高。相较DNS方法，本文的RANS计算极大地缩短了求解时间，降低了计算成本，为工程湍流计算提供了创新思路。本文初步探究了利用神经网络构建湍流模式的基本方法和技术路线，并进行了样本内验证，模图9(网上彩图)DNS(左)和NNW(右)时均速度场图Fig.9(Coloronline)DNS(left)andNNW(right)time-averagedvelocityfield
【参考文献】：
期刊论文
[1]基于方、矩形环管直接数值模拟结果的各向异性RANS湍流模型构建[J]. 郭永涛,徐弘一. 复旦学报(自然科学版). 2019(01)
[2]基于神经网络的翼型气动力计算和反设计方法[J]. 刘凌君,周越,高振勋. 气体物理. 2018(05)
[3]湍流边界层各向异性张量模式的实验研究[J]. 王维,管新蕾,姜楠. 实验流体力学. 2013(05)
[4]湍流模型的发展及其研究现状[J]. 陈永辉,王强,朴明波. 能源与环境. 2009(02)
[5]剪切湍流的涡黏张量模式[J]. 王振东,姜楠. 力学学报. 1995(02)
[6]湍流新涡粘模式的研究[J]. 王振东,姜楠. 科学通报. 1994(13)
本文编号：3132732
【文章来源】：水动力学研究与进展（A辑）. 2020,35(02)北大核心CSCD
【文章页数】：14 页
【部分图文】：
(网上彩图)展向时均合速度22vw对比图Fig.11(Coloronline)Comparisonsoftime-averagedsecondaryvelocity22vw参考文献:
iu，即iu在x方向的速度梯度为0，故在神经网络输入层共有九个独立特征量。为防止iu和ijl的取值范围差异过大，造成神经网络训练时的数据信息丢失，本文利用了输入特征各分量自身绝对值的均值x进行归一化处理，即有xXx(13)式中：X为归一化之后的新数据，x为未经归一化的数据，x为所有样本点中该数据绝对值的平均值。同理，作为学习目标的雷诺应力分量也进行归一化处理。将上述处理后的流动信息特征与雷诺应力放入本文架构的神经网络中开展深度学习。图6为本文所用神经网络的结构示意图。图6中每个圆圈代表一个节点，箭头表示节点之间的权重和信息传递方向，即前一层的输出为后一层的输入，同层节点间无法相互传递信息。其中x(l[1,L])l的集合构成输图6多层神经网络全连接的示意图Fig.6Diagramofmulti-layerneuralnetwork
王述之，等：基于DNS数据和神经网络的湍流封闭模型构建151图10比对剖线位置图Fig.10Profilelocationforcomparison神经网络深度学习的方法构建湍流映射模型。通过对传统参数化湍流模型的分析，认识到时均速度场及其梯度场对于构建湍流模型的重要性。将上述两类物理量作为特征量，利用神经网络挖掘特征量与雷诺应力之间的关系，建立基于神经网络的非参数化映射模型，并利用该模型对雷诺应力进行重构。结果表明，采用本文提出的湍流模型能够较准确地由时间平均流场信息重构出湍流雷诺应力，并能通过求解相关封闭的RANS方程，准确地还原DNS流场中的平均主流流场和湍流驱动的二次流信息。相较线性湍流模型而言，本文提出的模型能更准确地重现湍流特有的流动现象，计算精度更高。相较DNS方法，本文的RANS计算极大地缩短了求解时间，降低了计算成本，为工程湍流计算提供了创新思路。本文初步探究了利用神经网络构建湍流模式的基本方法和技术路线，并进行了样本内验证，模图9(网上彩图)DNS(左)和NNW(右)时均速度场图Fig.9(Coloronline)DNS(left)andNNW(right)time-averagedvelocityfield
【参考文献】：
期刊论文
[1]基于方、矩形环管直接数值模拟结果的各向异性RANS湍流模型构建[J]. 郭永涛,徐弘一. 复旦学报(自然科学版). 2019(01)
[2]基于神经网络的翼型气动力计算和反设计方法[J]. 刘凌君,周越,高振勋. 气体物理. 2018(05)
[3]湍流边界层各向异性张量模式的实验研究[J]. 王维,管新蕾,姜楠. 实验流体力学. 2013(05)
[4]湍流模型的发展及其研究现状[J]. 陈永辉,王强,朴明波. 能源与环境. 2009(02)
[5]剪切湍流的涡黏张量模式[J]. 王振东,姜楠. 力学学报. 1995(02)
[6]湍流新涡粘模式的研究[J]. 王振东,姜楠. 科学通报. 1994(13)
本文编号：3132732
本文链接：https://www.wllwen.com/kejilunwen/lxlw/3132732.html
