一种基于流场反演和机器学习的翼型分离流动预测方法技术

本发明专利技术公开了一种基于流场反演和机器学习的翼型分离流动预测方法，包括以下步骤：对

【技术实现步骤摘要】
一种基于流场反演和机器学习的翼型分离流动预测方法


[0001]本专利技术涉及计算流体力学
(CFD)
和人工智能领域，具体涉及一种基于流场反演和机器学习的翼型分离流动预测方法
。

技术介绍

[0002]湍流研究的数值计算方法根据网格分辨尺度分为直接数值模拟
(DNS)、
大涡模拟
(LES)
和雷诺平均应力模型
(RANS)。RANS
湍流模型虽然精度不及前两种方法，但其易用性和高效性使之在工程实践中得到了广泛应用
。
以
Spalart
‑
Allmaras(SA)
湍流模型为例，它是一种单方程湍流模型，经常被用于航空航天工业中的计算流体动力学模拟
。
然而，对于分离流动预测，
SA
湍流模型存在一些固有问题和挑战，
SA
湍流模型有时可能会高估湍流粘性，导致过度的扩散，使得模型在预测分离流动时出现问题，因这种过度的扩散可能会延迟流动分离的位置，或者完全忽略轻微的流动分离...

【技术保护点】

【技术特征摘要】
1.
一种基于流场反演和机器学习的翼型分离流动预测方法，其特征在于：包括以下步骤：
S1
：对
S809
翼型大攻角下的分离流动进行流场反演，得到针对
SA
湍流模型的修正系数；
S2
：提取步骤
S1
中的
SA
湍流模型求解收敛的流场特征，并利用机器学习方法搭建图神经网络框架，建立流场特征与
SA
湍流模型修正系数间的映射关系；
S3
：利用训练好的图神经网络模型对
SA
湍流模型的修正系数进行预测
。2.
如权利要求1所述的一种基于流场反演和机器学习的翼型分离流动预测方法，其特征在于：所述步骤
S1
中
SA
湍流模型的修正系数的具体步骤如下：
1)、
给出
SA
湍流模型的控制方程表达公式如下：其中，
P
表示生成项，
D
表示破坏项，
T
表示扩散项，
Q
表示流场变量；
2)、
针对
SA
湍流模型的分离流动预测，在控制方程的生成项前添加一个修正系数
β
(x)
，修正后的控制方程表达公式如下：
3)、
针对上述步骤中修正后的
SA
湍流模型，设置一个目标函数使其求解出的升力与实验数据更加吻合，该目标函数的表达式如下：其中，
C
l,exp
表示通过实验测量出的升力，
C
l
(
β
)
表示湍流模型修正后求解出的升力；

【专利技术属性】
技术研发人员：邹远洋，董义道，陆林，王枭，张来平，
申请(专利权)人：四川大学，
类型：发明
国别省市：