基于深度神经网络的超声速隔离段湍流涡黏性系数辨识 |
| |
引用本文: | 杨茂桃,梁爽,易淼荣,田野,郭明明,乐嘉陵,张华.基于深度神经网络的超声速隔离段湍流涡黏性系数辨识[J].航空动力学报,2023,38(2):312-324. |
| |
作者姓名: | 杨茂桃 梁爽 易淼荣 田野 郭明明 乐嘉陵 张华 |
| |
作者单位: | 1.西南科技大学 信息工程学院,四川 绵阳 621000 |
| |
基金项目: | 国家自然科学基金(12002362) |
| |
摘 要: | 雷诺平均Navier-Stokes(RANS)方程由于计算成本较低,当前仍然在工程设计领域广泛应用。为了进一步提升计算精度和减少时间,应用深度神经网络(deep neural networks, DNN)方法自适应辨识稳态湍流涡黏性系数。以隔离段的激波串前缘位置检测流场生成为例,使用Wilcox-2006 k-ω湍流模型进行模拟。在不同的背压情况下,产生稳定状态的湍流涡黏性流场作为模型学习的训练数据集。最后在不同背压条件下开展了测试。结果表明:提出的DNN方法能够快速预测湍流涡黏性系数的值,预测值与计算流体力学数值模拟计算的参数值相比,方均根误差较小,可决系数大于99%,预测的流场结果与真实流场基本一致,进一步验证了深度学习技术在湍流模型参数辨识的可行性。
|
关 键 词: | 湍流模型 深度神经网络 涡黏性系数 参数辨识 流场预测 |
收稿时间: | 2022-03-30 |
Identification of turbulence eddy viscosity coefficient in supersonic isolation section based on deep neural network |
| |
Institution: | 1.School of Information Engineering, Southwest University of Science and Technology,Mianyang Sichuan 621000,China2.Institute of Aerospace Technology, China Aerodynamic Research and Development Center,Mianyang Sichuan 621000,China |
| |
Abstract: | |
| |
Keywords: | |
|
| 点击此处可从《航空动力学报》浏览原始摘要信息 |
| 点击此处可从《航空动力学报》下载免费的PDF全文 |