基于物理知识约束的数据驱动式湍流模型修正及槽道湍流计算验证

被引:23
作者
张亦知
程诚
范钇彤
李高华
李伟鹏
机构
[1] 上海交通大学航空航天学院
关键词
数据驱动式建模; 物理知识约束; 湍流模型修正; 伴随方法; 湍流摩擦阻力;
D O I
暂无
中图分类号
O357.5 [湍流(紊流)];
学科分类号
070301 [无机化学];
摘要
对湍流摩擦阻力的精准预测是学术界和工业界普遍关心的重要问题,而数据驱动式的湍流模型修正方法对此显示出较大的潜力和前景。提出了一种基于物理知识约束的数据驱动式湍流模型修正方法,根据湍流摩擦阻力分解获得先验物理知识,在S-A湍流模型的生成项中引入非均匀分布的修正因子,以修正因子为设计变量,设定包含物理知识约束的目标函数,利用离散伴随方法求解目标函数与设计变量之间的梯度关系,通过高效率的迭代求解获得修正因子的分布。以槽道湍流为例,验证了包含物理知识约束的数据驱动式建模方法的优势,并分析了物理知识约束对湍流摩擦阻力预测精度的影响,结果表明引入物理知识约束可进一步提高湍流摩擦阻力的预测精度。
引用
收藏
页码:119 / 128
页数:10
相关论文
共 10 条
[1]
Turbulence Modeling in the Age of Data.[J].Karthik Duraisamy;Gianluca Iaccarino;Heng Xiao.Annual Review of Fluid Mechanics.2019,
[2]
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations.[J].M. Raissi;P. Perdikaris;G.E. Karniadakis.Journal of Computational Physics.2018,
[3]
A Priori Assessment of Prediction Confidence for Data-Driven Turbulence Modeling [J].
Wu, Jin-Long ;
Wang, Jian-Xun ;
Xiao, Heng ;
Ling, Julia .
FLOW TURBULENCE AND COMBUSTION, 2017, 99 (01) :25-46
[4]
A paradigm for data-driven predictive modeling using field inversion and machine learning.[J].Eric J. Parish;Karthik Duraisamy.Journal of Computational Physics.2016,
[5]
Quantifying and reducing model-form uncertainties in Reynolds-averaged Navier–Stokes simulations: A data-driven; physics-informed Bayesian approach.[J].H. Xiao;J.-L. Wu;J.-X. Wang;R. Sun;C.J. Roy.Journal of Computational Physics.2016,
[6]
Direct numerical simulation of shock/turbulent boundary layer interaction in a supersonic compression ramp.[J].XinLiang Li;DeXun Fu;YanWen Ma;Xian Liang.Science China Physics; Mechanics and Astronomy.2010, 9
[7]
Aerodynamic design via control theory.[J].Antony Jameson.Journal of Scientific Computing.1988, 3
[8]
《应用数学和力学》第40卷总目次(2019年).[J]..应用数学和力学.2019, 12
[9]
湍流模型系数不确定度对翼型绕流模拟的影响 [J].
赵辉 ;
胡星志 ;
张健 ;
陈江涛 ;
马明生 .
航空学报, 2019, 40 (06) :68-78
[10]
机器学习技术在气动优化中的应用 [J].
陈海昕 ;
邓凯文 ;
李润泽 .
航空学报, 2019, 40 (01) :52-68