Modelagem de turbulência média de Reynolds usando redes neurais profundas com invariância embutida

Existe uma demanda significativa por modelos de turbulência média de Reynolds-Navier-Stokes (RANS) aprimorados que sejam informados e possam representar um conjunto mais rico de física de turbulência. Este artigo apresenta um método de uso de redes neurais profundas para aprender um modelo para o tensor de anisotropia de tensão de Reynolds a partir de dados de simulação de alta fidelidade. Uma nova arquitetura de rede neural é proposta, que utiliza uma camada multiplicativa com uma base de tensor invariante para incorporar a invariância galileana no tensor de anisotropia previsto. Demonstra-se que esta arquitetura de rede neural proporciona uma precisão de previsão melhorada em comparação com uma arquitetura de rede neural genérica que não incorpora essa propriedade de invariância. As previsões de anisotropia de tensão de Reynolds dessa rede neural invariante são propagadas para o campo de velocidade em dois casos de teste. Para ambos os casos de teste, uma melhoria significativa em comparação com os modelos de viscosidade de turbulência linear RANS e modelos de viscosidade de turbulência não linear é demonstrada.