|
|||||
|
|
| 基于深度残差网络的高精度自然转捩模拟方法 | |
| 作者姓名： | 郑天韵 王圣业 王光学 邓小刚 |
| 作者单位： | 1. 国防科技大学空天科学学院;2. 中山大学物理学院 |
| 基金项目： | 湖南省自然科学基金(批准号:2020JJ5648)； |
| 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-7-及ed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. |
| 关 键 词： | 转捩流动 神经网络 间歇因子 加权紧致非线性格式 |