基于直接数值模拟数据和神经网络的湍流封闭模型构建

雷诺平均Navier-Stokes方程(Reynolds-averagedNavier-StokesRANS)是目前工程上高效数值模拟湍流的基本方法,但这一方法需要给出关于雷诺应力的湍流封闭模型。该文从环形方管流场的直接数值模拟(DirectNumerical Simulation,DNS)数据出发,构建了一种基于神经网络的湍流封闭模型。文中利用环形方管流场DNS结果中的平均速度场及其梯度场作为流动特征输入量,与雷诺应力张量中各分量分别建立神经网络映射,从而构造出平均速度场及其梯度场与湍流雷诺应力的非参数化映射关系。计算结果表明,通过对环形方管DNS数据的深度学习,神经网络模型可有效地表达湍流时平均流场与雷诺应力之间的映射关系,并且能够准确地重构DNS所给出的雷诺应力,进而采用RANS基本方程捕捉到传统湍流模型中难以模拟的湍流驱动二次流现象,为新型湍流封闭模型的构建及其工程计算的实现提供创新思路。