Modelado de turbulencia a través de asimilación de datos y aprendizaje automático para flujos separados sobre perfiles aerodinámicos

Los modelos de Navier–Stokes promediados por Reynolds (RANS), conocidos por su eficiencia y robustez, se utilizan ampliamente en aplicaciones de ingeniería. Sin embargo, los modelos RANS no proporcionan una precisión predictiva satisfactoria en muchos flujos relevantes para la ingeniería con separación. Con el objetivo de abordar las dificultades del modelado de turbulencia para flujos separados a alto número de Reynolds, este artículo construye modelos de turbulencia utilizando técnicas de asimilación de datos y redes neuronales profundas (DNN). Debido a la incertidumbre de los modelos de turbulencia tradicionales, los parámetros del modelo de turbulencia de Spalart–Allmaras (SA) se optimizan con datos experimentales para proporcionar campos de flujo de alta fidelidad. Luego, el modelo DNN mapea las variables de flujo medio a la viscosidad de turbulencia y reemplaza al modelo SA para ser incorporado dentro de un solucionador RANS de manera iterativa. A diferencia de muchos estudios existentes, este modelo DNN no depende de los modelos de turbulencia tradicionales durante el proceso de simulación. Este enfoque se aplica a flujos turbulentos adjuntos y separados y puede mejorar significativamente la precisión para nuevas condiciones de flujo y formas de perfiles aerodinámicos. Los resultados muestran que el error relativo medio del coeficiente de sustentación por encima del punto de pérdida disminuye en más del 57% para todos los perfiles aerodinámicos.