Sensing the turbulent large-scale motions with their wall signature

Cette étude évalue la capacité de la décomposition orthogonale propre étendue (EPOD) et des réseaux de neurones convolutifs (CNNs) à reconstruire les mouvements à grande échelle et à très grande échelle (LSMs et VLSMs respectivement) en utilisant des mesures de tension de cisaillement à la paroi dans des écoulements turbulents confinés. Les deux techniques sont utilisées pour reconstruire l'évolution instantanée des LSM dans le champ d'écoulement comme une combinaison de modes de décomposition orthogonale propre (POD), en utilisant un ensemble limité de mesures instantanées de tension de cisaillement à la paroi. En raison de la dominance des effets non linéaires, seuls les CNNs fournissent des résultats satisfaisants. Étant capables de prendre en compte les non-linéarités dans l'écoulement, les CNNs ont montré des performances significativement meilleures que l'EPOD en termes d'estimation instantanée du champ d'écoulement et de reconstruction des statistiques turbulentes. Les CNNs sont en mesure de fournir une performance de reconstruction plus efficace en utilisant davantage de modes POD à des distances plus grandes de la paroi et en utilisant des résolutions de mesure à la paroi plus faibles. De plus, la capacité à traiter des caractéristiques non linéaires des CNNs entraîne des capacités d'estimation qui dépendent à peine de la distance par rapport à la paroi.