[发明专利]一种基于深度学习的湍流模型生成方法

说明书

本发明涉及一种基于深度学习的湍流模型生成方法，该方法由以下技术方案实现：通过数据预处理方法，对相应坐标点的速度梯度以及额外参数进行假设，并确定相应的目标训练值；设置相应的模型网络结构，并在此基础上，得出一种训练深度神经网络湍流模型的通用方法，可在不同的湍流流动中训练不同的训练模型模型；此方法相对于目前现有的其他方法，具有计算资源需求较少，到了可在复杂湍流场景中进行较为准确的Reynolds应力预测的湍流模型，可能使CFD计算精度提高，更好地通过仿真结果指导实际工程设计。

技术领域

本发明涉及一种湍流模型的生成方法，特别是涉及一种基于深度学习的湍流模型生成方法。

背景技术

湍流是工程实际和自然界中最常见的流动状态，这时流动不再是平滑的，而始终随时间和空间都呈现出很不规则的脉动，它们是由大大小小的漩涡引起的。然而对于湍流问题的研究，一直都没有找到非常有效的方法。直接数值模拟(DNS)、大涡模拟(LES)等高精度湍流模拟技术，虽然能得到真实湍流运动的很好模拟，但由于其对计算资源的极大要求，以及实际工程中的设计周期限制，还难以应用于工程中的日常设计。工程中广泛使用的雷诺平均(RANS)方法，可以快速解出湍流总效、平均的性能。但由于雷诺对于方程组先平均再求解的思路，人为地产生了方程的不封闭项，即Reynolds应力。如何使用已知的关系来封闭方程组，建立湍流模型，成了一个世纪难题。

目前广泛使用的两方程涡粘性湍流模型都是假设Reynolds应力与流体应变率存在线性近似关系。有学者指出这样的假设在模拟存在各向异性或强逆压梯度的流场时有缺陷，并提出了非线性涡粘性湍流模型理论。通过构建雷诺应力与速度场之间的联系，将雷诺应力写成平均速度梯度的级数，及非线性涡粘性模型，即:其中，Gλ为系数，是表征应力张量和旋转张量的函数。这种模型将Reynold应力本构关系表述为平均运动的应变率张量和旋转张量的多项式函数，其中二阶项可以反映湍流结构的各向异性，三阶项可以描述流线的曲率效应和旋转效应。

数学上严格推导出的各非线性项表达形式确定不变，但各项的系数不确定，由此可以构造不同的非线性湍流模型。湍流动能及其耗散率仍旧通过求解常规的两方程湍流模型得到。很多学者基于不同的推导方式提出了多种非线性涡粘性湍流模型。近几年开始，有许多使用机器学习方法进行湍流建模的工作被提出。这些工作主要分为四大类。

1.使用机器学习方法来辅助现有的湍流计算过程，针对不同流动需要不同模型进行仿真的现状，使用机器学习方法来决定在何处使用何种模型。

2.在现有模型的基础上进行一些修正项的添加，使得模型在原有的基础上缩小了与高精度数据的差距，来得到改进模型的效果。

3.常规的RANS模型都是具有方程表达式形式的，于是一些通过较为准确的数值关系，找到较为直观的表达式关系的方法被提出出来。

4.完全使用数据驱动模型来描述Reynolds应力，而不是用具有物理意义背景的公式来进行描述，使得模型失去了物理意义的支撑，且得不到形象具体的表达式。

上述现有技术的缺点：1)都集中在针对特定的湍流场景、较为简单常见的湍流场景进行湍流的建模，而这些模型的表达式也大相径庭。对于一些复杂的湍流运动，现有的研究比较少见，建立起来的近似模型误差也会更大；2)只针对一些相对简单、雷诺数较低的流动来进行建模，并没有在十分复杂的湍流背景下进行机器学习方法的尝试。且基于特定的湍流模型背景进行工作的开展。使用的是一些较为简单的机器学习算法，几乎没有与当前深度学习算法发展结合较为紧密的结果，导致精度仍不佳。

发明内容

本发明的目的是提供一种基于深度学习的湍流模型生成方法。

本发明的目的是通过以下技术方案实现的：