Ansys Fluent GEKO模型标定新特性-基于伴随优化

本期带来Fluent伴随优化GEKO湍流模型标定案例，该案例以2.5D S805翼型升力预测为例，可在攻角角度小范围变化的情况下，使用神经网络（Neural Network）训练结果计算流场以期得到较好的预测精度。

GEKO湍流模型标定在Fluent 2022R1之后为正式功能，用户可以在Gradient-Based Optimizer下可直接选用，本文的案例使用2022R1版本制作。（此功能在2021R2版本中为beta功能，用户可在控制栏内，通过命令行输入“/def/bfa yes yes”来启动）。

1.翼型问题描述

a)几何体：S805 Airfoil（2.5D）；

b)攻角：11°

c)弦长：1m；

d)进口速度：1m/s，空气密度：1kg/m3；动力粘度：1e-6Pa●S；

e)稳态不可压缩空气流动；

f)目标：优化GEKO模型CSEP系数以提升预测精度，与实验数据对比。

边界条件

2.数据列表

3.速度对比云图

基础流场

伴随优化

神经训练

5.总结

本文演示了从基础流场开始进行伴随优化求解，求解结果可用于单个算例模型，神经网络训练可扩展到小范围内攻角变化情况，本文所用方法为离线神经网络训练。

本文应用算例攻角为11度，提供了攻角为10度的实测升力值，感兴趣的读者可以自行尝试优化进程。

·GEKO（Generalized k-omega）湍流模型

GEKO模型足够灵活，提供了四个自由参数，可以针对特定类型的应用进行调整，而不会对模型的基本校准产生负面影响。本文考虑到翼型的分离效应对升力预测影响占比较大（从优化计算后处理可查看CSEP的敏感度），故选择对CSEP参数进行神经网络训练。GEKO初始模型针对特定场景具有很强的默认值，一般情况下用户可直接使用该模型，若微调模型参数，应确保具有高质量的实验数据支持。以下为参数的相关解释：

CSEP：改变分离流动；

CNW：改变壁面流动；

CMIX：改变自由剪切流的传播速率；

CJET：优化自由射流。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删