改进SST湍流模型在分离流中的应用

针对标准SST模型无法对分离流动进行准确的数值模拟的问题,本文根据分离流动的特性,在传统SST模型的基础上增加了能量传递耗散项,提升了该模型对分离流动的模拟精度。以开源软件Open FOAM为平台,运用改进的SST湍流模型,对亚临界雷诺数情况下的圆柱绕流算例进行计算,并结合已有的实验结果,与原始SST模型的计算结果进行对比。结果证明:改进的SST模型能有效弥补原始SST模型在模拟分离流时,漩涡脱落强度偏小的缺陷,对于亚临界雷诺数下的分离流动的数值模拟具有良好效果。

基于机器学习的翼型水动力性能优化设计

基于机器学习的翼型几何优化设计方法可有效避免复杂的计算流体力学数值求解过程,具有更高的计算效率。对翼型进行参数化表示,构建机器学习模型与优化算法进行学习和预测,能极大地减少翼型优化设计时间。论文开展了基于机器学习的翼型水动力性能预测和优化设计研究。运用CST方法对翼型进行参数化表示;采用XGBoost建立翼型水动力特性快速预报模型;结合机器学习方法和遗传算法,综合考虑升力系数、阻力系数和翼型表面压力系数建立优化模型,完成了某翼型的优化设计与水动力性能分析。结果表明:提出的翼型优化设计方法可获取优良翼型,对船用螺旋桨叶剖面设计优化具有重要意义。