【背景】湍流問題涉及到工程中的諸多領域,其重要性不言而喻。雷諾平均Navier-Stokes(RANS)方程提供了一種計算時間平均湍流量的有效方法,由于其計算易處理性而被廣泛使用。隨著深度學習技術的發(fā)展,采用數據驅動的方法建模RANS模型受到了研究者廣泛的關注�！痉椒ā勘疚奶岢隽艘环N數據驅動建模RANS模型的方法,該方法以數值軟件模擬結果為基礎,利用深度學習技術構造湍流模型。由于在湍流問題中,不同的系統初始條件不同,數據的質量千差萬別,難以使用統一的神經網絡結構進行訓練。因此本文采用AutoML(自動機器學習)的方法自動搜索神經網絡的結構并進行自動調參。此外,本文發(fā)現通過混合多種初始條件下的數據進行模型訓練,可以提高深度學習模型的擬合精度,增強其魯棒性�！窘Y果】本文選取OpenFOAM中的經典算例內壁臺階流模擬作為數據來源進行實驗。實驗表明,該模型在預測雷諾應力時具有較好的精度和效率,表明數據驅動方法在湍流模擬中具有良好的應用前景。【局限】為了更好的在湍流領域應用深度學習技術,下一步的研究重點在于如何將深度學習模型與湍流數值模擬軟件耦合。【結論】目前,針對湍流機器學習的系統研究相對較少...

【文章頁數】：11 頁

【部分圖文】：

圖3RANS-DL工作流程3實驗設置

機器學習與湍流建模相結合的研究工作是流體力學領域新興的熱門研究方向�，F有的研究成果有力地驗證了其有效性和可行性,預示了機器學習在未來湍流模型應用中良好的應用前景[20]。一方面,這些研究工作以數值模擬器或實驗產生的高分辨率的數據作為驅動,一定程度上降低了機器學習模型封閉或湍流模型....

網絡結構搜索以及參數調整的小時數為48小時,本文做實驗的機器配置:CPU為雙核4線程,GPU為TeslaV100。最終AutoML的訓練效果如圖6所示。經過訓練,本文最終采用的模型參數如表3所示。表3模型參數Table3modelparameter參數名稱詳情隱....

如圖7所示,與Chang和Dinh[10]采用的神經網絡結構來擬合雷諾應力的效果對比,我們用AutoML獲得的網絡結構擬合效果更為優(yōu)異。4.2時間信息對模型的影響

本文編號：4011437