基于小波奇异分析的流场计算方法及应用

首次将三维小波以及二维小波奇异性分析的思想引进三维以及二维复杂流场的数值计算,发展了一种高效率、高精度、高分辨率的方法.该算法的核心是获取流场中物理量在不同空间点的Hlder指数α,而该指数α的获取又依赖于小波变换以及高维(即二维或三维)小波分析技术.在三维与二维欧氏空间中,为进行小波多分辨分析,需要在尺度空间与小波空间分别引进尺度基与小波基.对二维问题,尺度基与小波基的基底要由1个尺度函数与3个小波函数组成,而三维时要由1个尺度函数和7个小波函数组成.借助于小波奇异分析所找到的流场中奇异点区域与光滑区域,便可分别选用高分辨率、高精度的WENO(weighted essential non-oscillatory)格式与高精度中心差分格式进行流场的离散求解.一系列二维(即,①二维前台阶问题的Euler流;②二维双马赫反射的Euler流; ③著名的二维Riemann问题;④跨声速RAE2822翼型二维绕流; ⑤跨声速VKI-LS 59二维涡轮叶栅绕流)与三维(即,⑥跨声速轴流压气机转子NASA(National Aeronautics and Space Administration) Rotor 37三维黏性绕流;⑦跨声速风扇转子NASA Rotor 67三维黏性绕流)算例表明:该方法的计算效率比传统的WENO格式有较大的提高,大部分典型算例能够提高3~5倍,而且可以获取复杂流场中高分辨率的激波结构以及涡系分布,可以得到与有关实验数据较为吻合的数值结果.      

流场特性预测的两类高效方法

在多因素多水平试验设计方法建立数据库的基础上,提出了预测流场特性的两类高效方法:一类是响应面方法;一类是小波神经网络方法.典型算例表明,两类方法都可以高效率的获取流场特性参数,而且在预测的精度与计算的效率上,小波神经网络方法较响应面方法更具有优势.