基于神经网络的SST湍流代理模型研究及应用

针对传统湍流模型参数众多且获取复杂流动数据慢的问题,研究多种神经网络算法用于求解超声速流动中雷诺平均(Navier-Stokes)求解器的湍流代理模型。以超声速流动条件下的凹槽为例,应用拉丁超立方抽样方法,获取标准SST湍流模型的9个参数样本空间;采用自主研发的高超声速内外流耦合数值模拟软件AHL3D,在来流马赫数为2.92下开展数值模拟,获得壁面压力数据,构建数据集;搭建了深度神经网络(deep neural networks,DNN)、残差神经网络(residual neural network,ResNet)、长短时记忆网络(long short-term memory,LSTM)等多种模型对数据集进行训练,从而形成SST湍流代理模型。实验结果表明:在给定SST湍流模型系数下,3种神经网络代理模型均能高精度地预测壁面压力,可决系数达到了0.99以上,与数值模拟求解器结果基本一致,可用于快速获取不同湍流模型参数下的壁面压力。