数据增强的数据驱动RANS模型

Guo等[1]提出对训练算例实施异步迭代下的隐式处理 Reynolds平均 Navier-Stokes方程(Reynolds-averaged Navier-Stokes equations,RANS)计算[2],并从生成的一系列中间迭代步流场中进行筛选,得到多组从第n步到第 n+1步流场之间的多步映射,用于模型训练以实现数据增强.在此基础上,对训练算例实施隐式处理RANS计算,得到一系列收敛场而非中间场,并设计筛选算法处理生成的收敛场,进而扩大训练集以实现数据增强.以不同几何形状和不同 Reynolds数下的二维周期丘陵流动作为训练-预测算例,通过改变训练-预测算例的选择进行多组测试.测试结果表明,与原始 RANS模型、原始张量基神经网络(tensor basis neural network,TBNN)模型以及Guo等[1]的模型相比,数据增强后的训练模型在结果上有明显改进.