人工智能-机器学习-基于NavierStokes方省略杂流动数值模拟精度与并行计算研究.pdf

【文章概述】 本文主要探讨了基于Navier-Stokes方程的人工智能和机器学习在复杂流动数值模拟中的应用，特别是关注于计算精度和并行计算效率的提升。研究旨在解决计算流体力学（CFD）在处理复杂流动问题时面临的挑战，如精度和效率问题。文章介绍了针对这一主题的多项研究内容，包括高质量网格构建、湍流模型选择以及低耗散迎风格式的性能分析。 【主要工作】 1. 高质量网格构建：基于超立方体概念，提出了一种通用的多块拼接结构化网格方法，适用于各种复杂的翼身组合体外形。通过这种方法，为DLR-F4翼身组合体生成了不同密度的计算网格，并进行了数值模拟。研究结果显示，该方法生成的网格质量高，计算结果与实验数据吻合，优于其他软件和网格。 2. 湍流模型评估：选用AIAA第二界阻力研讨会提供的多块结构网格，分别结合SA、Wilcox的k-ω和Menter的k-o SST湍流模型，模拟了DLR-F6的流场。研究了网格密度和湍流模型对阻力计算精度的影响。SA模型预测的总体阻力表现优秀，但不同模型对阻力、升力和流动分离的预测存在差异。SST模型的计算结果最接近实验数据，而Wilcox模型则可能高估升力和阻力。 3. LDE迎风格式研究：通过解决多种流动问题，分析了低耗散E-CUSP（LDE）格式在可压缩流动中的性能。与常用的Roe格式对比，LDE格式在捕捉陡峭激波方面表现出色，计算效率高，收敛速度快。LDE格式耦合SA模型成功模拟了超声速、大攻角流动，预测的力和力矩与实验数据一致，证明了其高精度和鲁棒性。 【结论与意义】 通过以上研究，文章强调了在人工智能和机器学习的支持下，优化网格构建、选择合适的湍流模型以及改进迎风格式对于提高复杂流动数值模拟的精度和计算效率至关重要。这些进展对于CFD在航空、航天、石油、能源等领域中的广泛应用具有重要意义，有助于解决实际工程问题，提高设计效率和准确性。未来的工作可能会继续深化这些方法，进一步提升数值模拟的复杂性和精度，以应对更加具有挑战性的流动问题。