论文部分内容阅读
圆柱绕流是流体力学基础问题之一,流动边界简单但具有丰富非线性动力学特征和复杂的流动现象,因此圆柱绕流问题得到许多研究人员的关注,开展了诸多数值模拟研究和试验研究,积累了很多可靠的数值模拟数据和试验数据。另一方面,圆柱绕流引发的涡激振动是许多工程领域面临的共性问题,其中最有名的是卡门涡街现象。由于涡旋交替脱落,圆柱受到流向阻力和垂向升力也是周期性变化过程,由此带来的结构疲劳问题也成为工程中共性问题,如海洋工程立管、海底管线、大跨度桥梁悬索等,都面临着涡激振动引发的疲劳破环。近年来机器学习与物理模型的融合发展,为流体力学学科及其相关工程领域带来了新的研究范式。通过机器学习建模预报方法,此前使用计算流体力学(Computational fluid dynamics,CFD)和实验流体力学(Experimental fluid dynamics,EFD)积累的数据价值得到重新利用。通过给机器模型喂养数据,模型建立后可预报其它工况下的流场和相关问题。论文基于物理模型与机器学习结合的研究范式,开展了圆柱绕流和圆柱绕流涡激振动的预报研究,取得了一些创新性成果。主要内容包括:一、钝体绕流的阻力、升力预报。基于深度学习模型卷积神经网络(Convolutional neural network,CNN),数据集是27个不同几何形状钝体的阻力系数和升力系数CFD数值结果,数据分为13个训练集和14个预报集,预报结果与CFD标准结果进行了对比。结果表明,深度学习方法卷积神经网络CNN在处理图像时具有明显优势,特别适合处理钝体绕流边界信息维度大的情况。采用卷积神经网络CNN预报钝体绕流的阻力系数和升力系数的预报方法,具有精度高、速度快的优点;与常规网络方法BP神经网络预报进行比较,CNN精度显著高于BP。二、圆柱绕流流场的机器学习模型预报。基于CNN模型提出了两种数据驱动的深度学习神经网络模型,即预测不同雷诺数,不同半径位置大小的圆柱绕流阻力系数和升力系数的PC-C模型和预测速度场的PC-F模型。数据集来自开源代码OpenLB计算了雷诺数Re=10,20,30,…,150的不同位置半径大小的圆柱绕流的CFD数值结果。经过CNN建模和预报,验证了两种模型在预测有限边界圆柱绕流问题上的可行性和精确性。该模型成功的预测了圆柱绕流流场,相比于OpenLB的物理模型计算时间,深度学习方法在小误差范围内效率提升至少一个数量级。三、圆柱绕流涡激振动的物理模型与机器学习融合研究。圆柱运动方程采用弹簧振子模型,流场采用不可压纳维-斯托克斯(Navier-Stokes,NS)方程,把上述物理模型嵌入神经网络,以误差形式定义为神经网络的损失函数,然后通过神经网络的梯度下降和反向传播算法,确定神经网络的内部参数,达到预测涡激振动问题的目的。小数据验证知识,大数据则可以发现知识。机器学习与物理模型结合的研究范式,将会为基于物理模型为主导的工程问题研究带来新的天地。