利用机器学习构建新型物理约束的大涡模拟模型研究

　　大涡模拟作为当前及未来主流的湍流模拟方法被广泛应用于航空、航天及海洋工程等国家战略科技领域，而大涡模拟模型和方法是大涡模拟研究的核心基础。传统的大涡模拟模型方法存在诸多不足，例如既有模型难以兼顾强数值稳定性以及高保真性，导致湍流模拟的误差过大或者计算发散等问题。因此，探索新的建模思路是大涡模拟研究的热点与难点。

　　中国科学院力学研究所LHD可压缩湍流课题组研究人员改变了既往研究中只针对亚格子应力建模的固有研究模式，着眼于湍流级串理论中核心的物理量——能流进行建模，利用多尺度梯度展开方法结合机器学习方法给出了可压缩壁湍流中高精度模化的能流，进而利用高精度能流模型对常见的涡粘模型进行物理约束，完成了新的湍流模化过程。新模型很好地结合了高鲁棒性和高保真性的特性并具有一定的尺度自适应性。通过不同的标准化算例检验，新模型可以对可压缩壁湍流的关键物理量如能流（图1）、平均速度剖面（图2）等给出精准预测，并有望进一步推广到更复杂科学及工程问题的研究中。

　　相关研究成果发表在Journal of Fluid Mechanics上。

　　论文链接：https://www.cambridge.org/core/journals/journal-of-fluid-mechanics/article/abs/kineticenergyfluxconstrained-model-using-an-artificial-neural-network-for-largeeddy-simulation-of-compressible-wallbounded-turbulence/B49715F7CBBA14A351B72677861AE61E

图1.新模型预测的能流分布（b）与真实分布（a）以及其它常用模型（c）、（d）预测结果对比

图2.不同规模网格下可压缩平板边界层流动平均速度剖面分布（a）密网格；（b）粗网格