科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于深度神经网络DNN构建了从层流流场无量纲速度梯度、流向涡强度等物理量到横流转捩模态下间歇因子间的映射关系,获得一种新的数据驱动转捩模型.通过将数据驱动转捩模型与SST k-ω湍流模型耦合,有效简化了转捩模型输运方程求解,实现高效、准确的亚音速三维边界层横流转捩流场计算. DNN训练数据来自变雷诺数的NLF(2)-0415无限展长后掠翼计算结果,并以两种工况进行测试,数据驱动转捩模型预测精度与γ-Reθ转捩模型近似.将数据驱动转捩模型用于其他典型横流转捩算例的计算,以验证其泛化能力.对于变后掠角的NLF(2)-0415后掠翼,数据驱动转捩模型与γ-Reθt-CF模型预测的转捩位置几乎一致,并且能够预测出后掠角从45°增长到65°的过程中,转捩位置先向前再向后移动的现象;对于标准椭球体,使用低分辨率网格进行计算,数据驱动转捩模型依然能够实现转捩位置预测,对椭球体表面Cf的计算结果与多个平台的横流转捩模型、实验结果基本一致.研究表明,以横流转捩相关物理量作为输入对DNN进行训练,并将获得的数据驱动转捩模型与SST k-ω湍流模型耦合,可以实现对横流转捩的有效预测,且具有较强的泛化能力.数据驱动转捩模型对网格分辨率要求更低,在保证计算精度的前提下,具有较高的计算效率.
