基于机器学习的去过滤方法用于曲线湍流通道流中的粒子追踪

我们评估了在使用具有流线曲率的湍流通道流的粗网格场中进行粒子追踪模拟的去过滤方法的稳健性。在实际应用中，数值模拟利用价格合理的粗网格分辨率来减少流场的计算成本。然而，当离散粒子被引入计算域时，粗网格流场导致粒子行为不准确。虽然已经提出几种去过滤方法来重建粗网格场中的准确流体速度，但在实际工程中的应用仍然有限。一个原因是这些方法的验证仅限于简单的配置，比如平面通道流和均匀各向同性湍流。在本研究中，我们在之前的工作T. Oura和K. Fukagata, Phys. Fluids 36, 113366 (2024)中提出的基于机器学习的去过滤方法应用于具有流线曲率的流动，因为大多数实际目标涉及曲面几何。经过培训的机器学习模型应用于三种不同曲率的通道进行粒子追踪，并调查了包括平均速度、速度波动、向墙壁迁移和弥散等多种粒子统计。值得注意的是，我们发现模型输入的较小模板显示出比较大模板更有利的结果。基于对流体速度波动的双点相关分析，这可以归因于曲线通道中的局部特征不再类似于平面通道中的特征。我们的发现展示了目前方法的稳健性和局限性，强调了去过滤在工程应用中对复杂几何形状的潜力。