CN111625987A - 一种基于深度学习的湍流模型生成方法 - Google Patents

一种基于深度学习的湍流模型生成方法 Download PDF

Info

Publication number
CN111625987A
CN111625987A CN202010023326.1A CN202010023326A CN111625987A CN 111625987 A CN111625987 A CN 111625987A CN 202010023326 A CN202010023326 A CN 202010023326A CN 111625987 A CN111625987 A CN 111625987A
Authority
CN
China
Prior art keywords
turbulence
deep neural
output
training
stress
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010023326.1A
Other languages
English (en)
Other versions
CN111625987B (zh
Inventor
任磊
张子乔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010023326.1A priority Critical patent/CN111625987B/zh
Publication of CN111625987A publication Critical patent/CN111625987A/zh
Application granted granted Critical
Publication of CN111625987B publication Critical patent/CN111625987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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。

Description

一种基于深度学习的湍流模型生成方法
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:
Figure RE-GDA0002570807990000011
其中，Gλ为系数，
Figure RE-GDA0002570807990000012
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结构简单、操作安全，快速准确的农田残膜污染评估装置及 实现方法。
本发明的目的是通过以下技术方案实现的：
一种基于深度学习的湍流模型生成方法，据预处理，由高精度仿真得到相应的原始数 据，原始数据特征包括：某个坐标点的9个速度梯度，以及由常规方法建立起来的额外输 运方程进而得到的上述坐标点的2个额外参数；上述9个速度梯度和2个额外参数作为可输入的特征，客观上具备独立性；6个Reynolds应力为最终要得到的值；将其分为两组， 分别为3个正应力和3个切应力；经过无量纲化，采用z-score中心化方法：将11个输入 特征都减去均值后除以其方差，使得其中心为0，且数值的量级也有了适当的缩减；之后 神经网络模型便可以正常收敛，输出的6个Reynolds应力，并未进行预处理操作，保留了 其原本的值，作为目标训练值使用；
输入的特征将被输入多个深度神经网络中进行预测，并且输入注意力网络，所述注意 力网络使用Softmax输出，将多个深度神经网络的输出值进行加权整合，最终得到输出结 果；针对不同湍流状态的特点，使用多个不同的深度神经网络进行训练和预测不同的湍流 状态，并使用注意力网络来预测这些深度神经网络的结合参数；
使用训练集Reynolds应力值的大小来区分不同的湍流状态，将网络分为两部分，一部 分预测正应力，另一部分预测切应力，将上述正应力和切应力的绝对值之和，集四等分， 并使用不同的深度神经网络去在每个等分的数据集上进行训练，使得每个独立的深度神经 网络可在此部分数据中有相对不错的预测精度；得到四个高精度深度神经网络后，在整体 训练集上使用训练注意力网络，其输出为四个深度神经网络的输出的权值，并使用Softmax 输出层进行结合；此过程中将四个独立的深度神经网络权值进行固定，只训练注意力网络 内部的权值。由此可得到具有完整预测能力的湍流模型。
可将训练整体网络中的所有参数，进行内部权值的微调，进一步提高整体的预测精度； 并将正应力和切应力的输出进行拼接，输出完整的6个Reynolds应力的值。
说明书附图
图1为流程图
图2为模型网络结构流程图。
具体实施方式
一种基于深度学习的湍流模型生成方法，据预处理，由高精度仿真得到相应的原始数 据，原始数据特征包括：某个坐标点的9个速度梯度，以及由常规方法建立起来的额外输 运方程进而得到的上述坐标点的2个额外参数；上述9个速度梯度和2个额外参数作为可输入的特征，客观上具备独立性；6个Reynolds应力为最终要得到的值；将其分为两组， 分别为3个正应力和3个切应力；经过无量纲化，采用z-score中心化方法：将11个输入 特征都减去均值后除以其方差，使得其中心为0，且数值的量级也有了适当的缩减；之后 神经网络模型便可以正常收敛，输出的6个Reynolds应力，并未进行预处理操作，保留了 其原本的值，作为目标训练值使用；
输入的特征将被输入多个深度神经网络中进行预测，并且输入注意力网络，所述注意 力网络使用Softmax输出，将多个深度神经网络的输出值进行加权整合，最终得到输出结 果；针对不同湍流状态的特点，使用多个不同的深度神经网络进行训练和预测不同的湍流 状态，并使用注意力网络来预测这些深度神经网络的结合参数；
使用训练集Reynolds应力值的大小来区分不同的湍流状态，将网络分为两部分，一部 分预测正应力，另一部分预测切应力，将上述正应力和切应力的绝对值之和，集四等分， 并使用不同的深度神经网络去在每个等分的数据集上进行训练，使得每个独立的深度神经 网络可在此部分数据中有相对不错的预测精度；得到四个高精度深度神经网络后，在整体 训练集上使用训练注意力网络，其输出为四个深度神经网络的输出的权值，并使用Softmax 输出层进行结合；此过程中将四个独立的深度神经网络权值进行固定，只训练注意力网络 内部的权值。由此可得到具有完整预测能力的湍流模型。
可将训练整体网络中的所有参数，进行内部权值的微调，进一步提高整体的预测精度； 并将正应力和切应力的输出进行拼接，输出完整的6个Reynolds应力的值。
进而得到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 同的模型，也得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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来 说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进也在专利 保护范围内。

Claims (2)

1.一种基于深度学习的湍流模型生成方法，其特征在于：数据预处理，由高精度仿真得到相应的原始数据，原始数据特征包括：某个坐标点的9个速度梯度，以及由常规方法建立起来的额外输运方程进而得到的上述坐标点的2个额外参数；上述9个速度梯度和2个额外参数作为可输入的特征，客观上具备独立性；6个Reynolds应力为最终要得到的值；将其分为两组，分别为3个正应力和3个切应力；经过无量纲化，采用z-score中心化方法：将11个输入特征都减去均值后除以其方差，使得其中心为0，且数值的量级也有了适当的缩减；之后神经网络模型便可以正常收敛，输出的6个Reynolds应力，并未进行预处理操作，保留了其原本的值，作为目标训练值使用；
输入的特征将被输入多个深度神经网络中进行预测，并且输入注意力网络，所述注意力网络使用Softmax输出，将多个深度神经网络的输出值进行加权整合，最终得到输出结果；针对不同湍流状态的特点，使用多个不同的深度神经网络进行训练和预测不同的湍流状态，并使用注意力网络来预测这些深度神经网络的结合参数；
使用训练集Reynolds应力值的大小来区分不同的湍流状态，将网络分为两部分，一部分预测正应力，另一部分预测切应力，将上述正应力和切应力的绝对值之和，集四等分，并使用不同的深度神经网络去在每个等分的数据集上进行训练，使得每个独立的深度神经网络可在此部分数据中有相对不错的预测精度；得到四个高精度深度神经网络后，在整体训练集上使用训练注意力网络，其输出为四个深度神经网络的输出的权值，并使用Softmax输出层进行结合；此过程中将四个独立的深度神经网络权值进行固定，只训练注意力网络内部的权值。由此可得到具有完整预测能力的湍流模型。
2.如上述权利要求1所述的基于深度学习的湍流模型生成方法，其特征在于：可将训练整体网络中的所有参数，进行内部权值的微调，进一步提高整体的预测精度；并将正应力和切应力的输出进行拼接，输出完整的6个Reynolds应力的值。
CN202010023326.1A 2020-01-09 2020-01-09 一种基于深度学习的湍流模型生成方法 Active CN111625987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010023326.1A CN111625987B (zh) 2020-01-09 2020-01-09 一种基于深度学习的湍流模型生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010023326.1A CN111625987B (zh) 2020-01-09 2020-01-09 一种基于深度学习的湍流模型生成方法

Publications (2)

Publication Number Publication Date
CN111625987A true CN111625987A (zh) 2020-09-04
CN111625987B CN111625987B (zh) 2022-07-29

Family

ID=72258781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010023326.1A Active CN111625987B (zh) 2020-01-09 2020-01-09 一种基于深度学习的湍流模型生成方法

Country Status (1)

Country Link
CN (1) CN111625987B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420507A (zh) * 2021-07-08 2021-09-21 刘维烁 流体流动模拟方法、装置以及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663251A (zh) * 2012-04-09 2012-09-12 华北电力大学 基于计算流体力学模型的风电场功率物理预测方法
US20160377043A1 (en) * 2015-06-23 2016-12-29 Shu Wang Engine Operation Control
US20170024496A1 (en) * 2015-07-22 2017-01-26 The Boeing Company Methods and apparatus to model thermal mixing for prediction of multi-stream flows
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN108710114A (zh) * 2018-04-18 2018-10-26 上海交通大学 基于bp神经网络多类分类的湍流目标探测方法
CN110083977A (zh) * 2019-05-14 2019-08-02 南京大学 一种基于深度学习的大气湍流监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663251A (zh) * 2012-04-09 2012-09-12 华北电力大学 基于计算流体力学模型的风电场功率物理预测方法
US20160377043A1 (en) * 2015-06-23 2016-12-29 Shu Wang Engine Operation Control
US20170024496A1 (en) * 2015-07-22 2017-01-26 The Boeing Company Methods and apparatus to model thermal mixing for prediction of multi-stream flows
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN108710114A (zh) * 2018-04-18 2018-10-26 上海交通大学 基于bp神经网络多类分类的湍流目标探测方法
CN110083977A (zh) * 2019-05-14 2019-08-02 南京大学 一种基于深度学习的大气湍流监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张澄宇: "航空发动机加力燃烧室不稳定燃烧机理与控制方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑(月刊)》 *
沉龙文: "面向高温高湿高盐雾的雷达虚拟试验系统研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑(月刊)》 *
米俊亦: "湍流模式理论的机器学习研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑(月刊)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420507A (zh) * 2021-07-08 2021-09-21 刘维烁 流体流动模拟方法、装置以及介质
CN113420507B (zh) * 2021-07-08 2023-11-21 刘维烁 流体流动模拟方法、装置以及介质

Also Published As

Publication number Publication date
CN111625987B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Toja-Silva et al. Roof region dependent wind potential assessment with different RANS turbulence models
Abid et al. Prediction of nonequilibrium turbulent flows with explicit algebraic stress models
CN104298869A (zh) 一种弹性水翼的流固耦合特性数值预测方法
CN111079310B (zh) 一种湍流区域识别方法
CN106372320B (zh) 一种采用亚滤波尺度模型对公路隧道湍流进行大涡模拟的方法
Chapman et al. Application of the two‐equation k‐ϵ turbulence model to a two‐dimensional, steady, free surface flow problem with separation
Braun et al. Finite element simulation of the wind action over bridge sectional models: Application to the Guamá River Bridge (Pará State, Brazil)
Sun et al. Mechanism of unconventional aerodynamic characteristics of an elliptic airfoil
Fitt et al. The unsteady motion of two-dimensional flags with bending stiffness
CN111625987B (zh) 一种基于深度学习的湍流模型生成方法
Renn et al. Forecasting subcritical cylinder wakes with Fourier Neural Operators
Chen et al. Towards high-accuracy deep learning inference of compressible turbulent flows over aerofoils
Norooz et al. A review of one-dimensional unsteady friction models for transient pipe flow
Mainçon A Wiener-Laguerre model of VIV forces given recent cylinder velocities
Rhee et al. Computational investigation of 3D turbulent flow separation around a spheroid using an unstructured grid method
Rockwood et al. Real-time identification of vortex shedding in the wake of a circular cylinder
Frère et al. Discontinuous Galerkin methodology for Large-Eddy Simulations of wind turbine airfoils
Righi et al. ROM-Based Uncertainties Quantification of Flutter Speed Prediction of the BSCW Wing
Melaku et al. Prospect of LES for predicting wind loads and responses of tall buildings: A validation study
Wan et al. Overset-rans computations of two surface ships moving in viscous fluids
CN113158297B (zh) 一种水工弧形钢闸门参数荷载识别方法
Basara et al. Assessment of the SSG pressure-strain model in two-dimensional turbulent separated flows
Guo et al. A Coupled Lattice Boltzmann‐Volume Penalization for Flows Past Fixed Solid Obstacles with Local Mesh Refinement
Casás et al. Evolutionary design of wind turbine blades
Giappino et al. An aerodynamic and aeroelastic experimental study on a sectional and three‐dimensional rectangular tall building

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant