针对高阶DG数值格式的非定常流场预测建模

作     者：丁子元 安慰 刘学军 吕宏强 DING Ziyuan;AN Wei;LIU Xuejun;LYU Hongqiang

作者机构：南京航空航天大学计算机科学与技术学院模式分析与机器智能工业和信息化部重点实验室南京211106 空气动力学国家重点实验室绵阳621000 气动噪声控制重点实验室绵阳621000 软件新技术与产业化协同创新中心南京210023 南京航空航天大学航空学院南京210016 

出 版 物：《空气动力学学报》 (Acta Aerodynamica Sinica)

年 卷 期：2022年第40卷第6期

页      面：51-63页

核心收录：

学科分类：08[工学] 080103[工学-流体力学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 0801[工学-力学（可授工学、理学学位）] 

基　　金：航空科学基金(2018ZA52002,2019ZA052011) 空气动力学国家重点实验室基金(SKLA20180102) 气动噪声控制重点实验室基金(ANCL20190103)。 

主　　题：深度学习 三维卷积 残差网络 注意力机制 高阶间断伽辽金方法 非定常流场预测 

摘      要：高阶间断伽辽金方法作为一种数值求解方法,具备精度高和适用于复杂外形等特点,同时由于其良好的色散以及耗散特性,非常适用于隐式大涡模拟。然而在求解非定常流场时,通常需要计算很长的时长,如何降低计算代价仍然是一个挑战。针对这一问题,提出了一种由三维卷积、二维残差网络和注意力机制组成的深度神经网络,该网络能够从数据中捕捉隐含的流场时空特征。对不同雷诺数下的圆柱绕流进行数值模拟得到用于训练的数据集,将训练完成后的网络用于预测未来时间段的流场原始数据,实验结果显示深度神经网络对圆柱绕流实验数据具备良好的建模能力,用该深度神经网络预测的流场与直接用CFD求解器计算出的结果高度一致。