基于集合数据同化的混合亚网尺度模型用于大涡模拟
摘要：用基于集成卡尔曼滤波（EnKF）的混合模型（EnKF-MM）提出了一种用于大涡模拟（LES）中子网格尺度（SGS）封闭的方法。模型系数是通过基于EnKF的数据同化技术确定的。将直接数值模拟（DNS）结果进行滤波以获得LES的基准数据。重建滤波DNS（fDNS）数据的正确动能谱已被采用为EnKF优化混合模型中功能部分系数的目标。随后，在不可压缩均匀各向同性湍流（HIT）和湍流混合层（TML）的LES中对所提出的EnKF-MM框架进行了测试。通过流统计量的预测全面检验了LES的性能，包括速度谱、SGS应力的概率密度函数（PDF）、应变速率的PDF以及SGS能流的PDF。通过不同的SGS模型评估了结构函数、湍流动能的演化、平均流和雷诺应力剖面以及Q准则的等值面来评估空间-时间预测。与传统的SGS模型（包括动态Smagorinsky模型（DSM）、动态混合模型（DMM）和速度梯度模型（VGM））相比，EnKF-MM框架的结果一致更满意，展示了其在LES湍流的SGS模型优化中的巨大潜力。
作者：Yunpeng Wang, Zelong Yuan, Jianchun Wang
论文ID：2305.11112
分类：Fluid Dynamics
分类简称：physics.flu-dyn
提交时间：2023-08-16