基于超分辨率重构方法的湍流流场重构

从低分辨率流场数据中获取精细流场信息具有重要的研究意义。基于卷积神经网络的超分辨率重构方法是近年来发展的一种较为有效的精细流场重构方法。本文采用高效亚像素卷积神经网络（Efficient Sub-Pixel Convolutional Neural Network,ESPCN）,对Rayleigh–Bénard（RB）对流的数值模拟数据和湍流边界层（Turbulent Boundary Layer,TBL）的实验测量数据进行了超分辨率重构,并与双三次插值方法（Bicubic Interpolation）的重构结果进行对比。对比结果表明:在较小的下采样比下,ESPCN方法和Bicubic方法的重构精度相当;在较大的下采样比下,ESPCN方法的重构精度明显优于Bicubic方法。此外,ESPCN方法对数据梯度较大区域的超分辨率重构效果优于Bicubic方法。     

湍流热对流调制及其机理的研究现状和展望

湍流热对流现象广泛存在于自然界和实际工程应用中，Rayleigh-Bénard(RB)系统是研究湍流热对流问题的经典模型。湍流传热的调制及其机理问题是湍流研究的重点。在经典RB系统中，上下板附近的温度边界层与系统传热关系密切，边界层内热湍流结构（羽流）的生成演化特性直接决定着系统传热效率。目前的调制策略主要通过改变上下板边界的几何型形状或改变温度边界条件来控制RB系统的对流强度，实现增强或抑制系统传热。本文主要从边界几何调制、边界温度时间调制和边界温度空间调制三个方面分别介绍和讨论了近年来有关湍流热对流调制及其机理研究方面的最新进展，并在最后提出了针对该方向的一些思考和展望。