应用数据驱动算法提高涡粘模型分离流动模拟精度

针对雷诺平均N-S方程中涡粘模型对分离流动预测精度这一关键问题,开发了基于人工智能数据驱动机器学习算法,克服了传统涡粘模型对分离边界层流动预测过于依赖经验参数等问题,并提高了数值模拟精度。根据影响湍流演化的物理机理,通过将涡粘模型计算分离流动的计算结果作为基准,选取多个由平均流状态表征的变量作为输入变量,以高阶雷诺应力模型计算结果构建高保真度数据库,并将雷诺应力进行分解的6个变量作为输出变量,建立基于随机森林回归的由基准流场到高保真度数据的映射关系和预测模型。结果表明:预测模型对分离流动的预测精度都有明显提高。