可压缩两气体流动的简化神经网络模型

实用的虚拟流体方法(practical ghost fluid method, PGFM)利用Riemann问题速度解对可压缩多介质流场界面条件进行建模。基于构造的嵌入物理约束的神经网络模型预测Riemann问题速度解的方式,给出一种两气体流动的神经网络模型简化方法。首先提出完全气体状态方程下神经网络模型输入特征采样范围从无界域到有界域的转换方法,改善模型预测不同初始条件下Riemann解的泛化性能。根据该转化方法,进一步提出一种结构更加简单的神经网络优化方法,将输入维度从5个减少到3个,有效提高神经网络的训练效果。将该神经网络代理模型应用于PGFM程序框架,通过典型的一维与二维两气体流动问题进行数值验证与对比分析。结果表明,简化的网络模型与已有研究的神经网络模型相比,能取得精度相近的计算结果。而在神经网络训练效率上,简化神经网络具有明显优势。同时因为简化神经网络采样维度少,方便尝试加密采样提高拟合精度,更具备发展潜力。

可压缩多介质流动问题的高精度数值模拟方法

在可压缩流动问题的数值模拟领域,激波的高分辨率计算已取得重要进展。但是包含物质界面的可压缩多介质流动的数值模拟还存在诸多数值挑战,主要表现为界面处数值耗散过大和非物理振荡等问题。界面处流体性质的不连续性是造成可压缩多介质流动问题物理建模与数值方法困难的主要原因。为了建立一套高效的可压缩多介质流动问题的高精度数值模拟方案,本文从数值框架的选择、非守恒方程相容离散、高精度有界格式构造、界面压缩、界面-单介质分区计算方法等多个维度出发,综述近几年我们在可压缩多介质流动问题高精度数值模拟方法方面的研究进展。通过上述多个维度的工作,我们建立了一套适用于可压缩多介质流动问题的低耗散、基本无数值振荡的高精度欧拉数值方法,并成功应用于可压缩多介质大变形流动和界面不稳定性诱导湍流混合等问题的数值模拟。相关数值方法研究成果已集成至武器物理等领域工程数值模拟软件中,为相关工程任务提供了重要技术支撑。