用符号回归增强SST湍流模型：一种可推广且可解释的数据驱动方法。
摘要：使用符号回归（SR）方法对湍流模型进行改进以提高对分离流的预测能力已成为工程领域中不可或缺的工作。然而，基于SR生成的模型通常缺乏解释性，限制了对物理理解和基于先验知识的手动改进。此外，这些模型在与训练集不同的流场中可能会遇到泛化困难的问题。本研究通过使用SR来得到基线湍流模型修正因子与局部流动变量之间的解析关系，增强了基线模型在不同测试案例中预测分离流的能力。剪切应力运输（SST）模型在弯曲背流步（CBFS）案例上进行了场反演，以获得校正因子场beta，并使用SR导出了局部流动特征与beta之间的符号映射。该SR导出的解析函数被集成到原始SST模型中，形成了SST-SR模型。SST-SR模型的泛化能力通过其成功预测各种测试案例中的分离流得到了展示，包括高度不同的二维隆起案例、以几何特征为主导的周期性山案例和三维Ahmed车身案例。在这些测试中，该模型准确预测了流场，展示了其在与训练集完全不同的案例中的有效性。特别是在Ahmed车身案例中，该模型展现了预测三维大量分离流的能力。当应用于雷诺数为1.0E7的湍流边界层时，SST-SR模型预测的壁摩擦系数和对数层与原始SST模型相当，保持了附壁边界层的预测性能。
作者：Chenyu Wu, Yufei Zhang
论文ID：2304.11347
分类：Fluid Dynamics
分类简称：physics.flu-dyn
提交时间：2023-08-29