科研之友
微信
新浪微博
Facebook
分享链接
摘要
在计算流体力学领域，深度学习被用于重建流场、预测曳力、求解泊松方程、加速流体模拟等方面的研究。为了加速气固两相流的模拟计算，使用卷积长短时记忆网络对物理量进行预测，并基于LibTorch实现深度学习模型预测与OpenFOAM的耦合。通过与单纯OpenFOAM模拟结果对比，发现深度学习模型预测存在颗粒体积分数不守恒、极小数值预测不准确的问题，先后通过体积分数校正和网格数据过滤消除了前述影响。选取不同的三个物理量组合进行深度学习模型预测以加速CFD计算，在同样选取颗粒体积分数和气体速度的条件下，对比了增加预测颗粒速度和压力对耦合流程计算结果的影响，其中，增加预测颗粒速度的计算结果较为准确，经分析发现这可能与求解器对不同变量的调用顺序有关。此外，研究了不同深度学习模型预测跨度比（1∶1、3∶1、5∶1、10∶1）下的耦合计算结果以及加速效果，发现在一定误差范围内，当前耦合计算流程最高可实现9倍左右的加速，且加速比与跨度比呈近似线性关系。
-
单位中国科学院大学; 多相复杂系统国家重点实验室; 中国科学院过程工程研究所
