今天,应用流体动力学的一个重大挑战是缺乏对湍流相关特征的理解。让我们对将 CFD 应用于飞机机翼上的流动分离、激波边界层相互作用等应用缺乏工业信心。提高复杂流体流动模型的能力可以减少能源消耗、温室气体 (GHG) 排放和噪音来自飞机、汽车和轮船的辐射。这些复杂的模型可以以高度竞争的方式对经济和工业领导地位产生有利影响。因此,理解、建模和预测湍流现象是高效和环境安全设计的关键。为了实现这一目标,HiFi-TURB 项目启动了一项雄心勃勃的创新计划,以解决高级湍流模型中的一些缺陷。
HiFi -TURB 项目基于以下卓越支柱:
该联盟是主要航空公司和软件编辑之间的合作,Cadence Design Systems 担任协调员。包括ERCOFTAC在内的知名研究中心和学术团体是湍流专业知识的来源。
高性能计算 (HPC) 的大规模可用性为湍流模型开发的真正新颖方法打开了大门。本研究将人工智能 (AI) 和机器学习 (ML) 技术应用于包含分离流区域或复杂 3D 流特征的高保真、比例解析测试用例模拟数据库。图 1显示了用作湍流建模任务基础的流场示例。
图 1. T161 级联的流动结构(用作湍流模型改进输入的典型流场)。
这些模拟中生成的大量数据需要一种新的数据挖掘方法。这就是 Neural Concept 引入其基于深度学习的工具链来分析 3D 尺度解析模拟提供的大量数据的地方。使用基于几何的变分自动编码器 (VAE),Cadence CFD 能够深入了解平均流量变量之间的相关性。VAE 将数据在物理上有意义地压缩为“嵌入”,然后从压缩数据中重建原始输入。这是以高精度完成的,这允许使用 ML 模型作为原始数据的替代(代理)。优点是更容易处理数据,可能利用数据挖掘,以及可以深入了解研究中涉及的物理学的分析技术。
图 2. 调查的仿真域(左)和数量的统计分析(右)。
图 2 是可能的分析示例。2D 绘图上的符号颜色对应于“嵌入”值,并且在 3D 视图(左)和 2D 绘图(右)中相同。对于所有考虑的物理量,相同颜色的点具有相同的值。由嵌入值着色的 3D 视图是研究域中多个物理量的全局统计表示。这两个图都使用机器学习模型提供了流动行为的新视角。
工作包 1:管理
任务 1:一般协调/项目指导
任务 2:知识交流(交流/网站)
任务 3:传播/开发
工作包 2:进一步改进 HOM,以降低 CPU 成本和弯曲网格生成
任务 1:降低高保真 LES/DNS 的 CPU 成本
任务 2:迈向工业曲线网格生成技术
工作包 3:为已识别的物理现象生成高保真 LES/DNS 数据集
任务 1:选择具有已识别物理特性的基础和工业相关测试用例
任务 2:生成新的 h - 高保真 LES/DNS 数据集
任务 3:LES/DNS 数据的评估、可靠性和质量
工作包 4:LES/DNS 数据的特征检测和高级分析
任务 1:通过数据驱动方法分析基本湍流平均数据
任务 2:通过与 HRLM 和 WMLES 相关的 AI 和深度学习方法分析时间湍流数据
工作包 5:湍流建模评估和改进——由 WP5 任务组监督
任务 1:开发、改进和评估 EARSM 湍流模型
任务 2:开发、改进和评估 DRSM 湍流模型
任务 3:开发、改进和评估 WMLES 和混合 RANS-LES 的壁模型
工作包 6:验证应用于代表性和工业相关测试案例的新湍流模型
任务 1:验证外部流动配置(高升力和阻力预测。WS 案例)- 新
任务 2 的基线:固定(扩散器)和旋转案例的内部流动配置验证 - 新
任务 3 的基线:评估和建议
工作包 7:开放可访问性 LES/DNS 数据库的管理 (ERCOFTAC)
任务 1:定义数据库标准和实施规则
任务 2:创建和管理 LES/DNS 数据库
任务 3:将 WP6 的结果集成到 ERCOFTAC Wiki 知识库中
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