粗糙壁面湍流中等效砂粒高度的数据驱动预测
摘要：使用深度神经网络（DNN）和高斯过程回归（GPR）机器学习方法，本文研究了表面粗糙度对湍流流动的影响的一个长期存在的问题：给定一个粗糙度地形，相应的相当于砂粒高度$k\_s$是多少？为了达到这个目的，生成了45种表面几何形状，并使用直接数值模拟在$hbox{Re}\_au=1000$的条件下对其上面的流动进行模拟。这些表面几何形状在表面高度波动矩、有效坡度、平均倾斜度、多孔性和随机程度等方面有显著差异。其中30个表面被认为是完全粗糙的，并且还补充了先前研究中可用的15个完全粗糙流动的实验数据。DNN和GPR方法对$k\_s$进行了预测，平均误差小于10\%，最大误差小于30\%，这似乎比现有的预测公式更准确。它们还确定了表面多孔性和沿展向的粗糙度的有效坡度作为阻力预测中的重要因素。
作者：Mostafa Aghaei Jouybari, Junlin Yuan, Giles J. Brereton and Michael S. Murillo
论文ID：2002.01515
分类：Fluid Dynamics
分类简称：physics.flu-dyn
提交时间：2023-07-19