利用物理信息神经网络和稀疏实验数据,在雷诺平均纳维-斯托克斯方程中实现湍流闭合,并推断圆柱体周围的流动情况

《Journal of Fluid Mechanics》:Turbulence closure in Reynolds-averaged Navier–Stokes and flow inference around a cylinder using physics-informed neural networks and sparse experimental data

【字体: 大 中 小 】 时间:2026年04月28日 来源:Journal of Fluid Mechanics 3.9

编辑推荐:

  摘要 传统的雷诺平均纳维-斯托克斯(RANS)闭合方法基于布辛涅斯克涡粘性假设,并通过经典流动进行校准,但这些方法常常无法准确预测平均流动和湍流统计特性。在本研究中,我们考察了不同雷诺数($3900$–$100\,000$)和马赫数($0$–$0.3$)下圆柱体周围的流动情况,涵

  摘要 传统的雷诺平均纳维-斯托克斯(RANS)闭合方法基于布辛涅斯克涡粘性假设,并通过经典流动进行校准,但这些方法常常无法准确预测平均流动和湍流统计特性。在本研究中,我们考察了不同雷诺数($3900$–$100\,000$)和马赫数($0$–$0.3$)下圆柱体周围的流动情况,涵盖了不可 compressible 和弱可 compressible 流体范围,旨在提高平均速度和雷诺力的预测精度。为此,我们构建了一个跨验证数据集,包括水动力粒子图像测速(PIV)实验、风洞中的空气动力 PIV 测量以及高保真谱元直接数值模拟和高涡模拟结果。数据分析揭示了雷诺应力在参数空间中的普遍分布规律,这为数据驱动的闭合模型提供了理论基础。我们采用了物理信息驱动的神经网络(PINNs),利用未闭合的 RANS 方程进行训练,仅通过边界信息就反推出速度场和雷诺应力场。这种闭合方法结合了前向 PINN 求解器和数值求解器 OpenFOAM,显著提升了 RANS 对平均流动和湍流统计特性的预测能力。

1. 引言 圆柱体周围的流动是一个重要的物理现象,同时也是湍流建模的典型基准问题。在雷诺数 $\textit{Re} \approx 300$ 至 $300{\,}000$ 的范围内,尾流区域呈现完全湍流状态,而边界层仍保持层流特性。传统的雷诺平均纳维-斯托克斯(RANS)闭合方法由于受限于雷诺应力项的处理方式,难以准确预测平均流场和雷诺应力。相比之下,直接数值模拟(DNS)能够在低至中等雷诺数范围内解析所有动态相关尺度;而在较高雷诺数下,粒子图像测速(PIV)能够提供平均速度和雷诺应力的空间分辨测量结果,尽管测量窗口有限。这些观察结果引出了两个问题:(i)如何从稀疏的、局部性的 PIV 数据中推断出完整且物理一致的流动状态;(ii)如何克服传统 RANS 闭合方法的局限性,从而准确预测平均流动和湍流特性。RANS 闭合方法的一个主要缺陷是布辛涅斯克假设将完整的雷诺应力张量简化为各向同性的涡粘性响应,即 $\tau _{\textit{ij}} = 2\nu _t S_{\textit{ij}} - ({2}/{3})k\,\delta _{\textit{ij}}$,其中 $\tau_{\textit{ij}}$ 代表雷诺应力张量,$\nu_t$ 代表湍流粘性,$S_{\textit{ij}}$ 代表应变率张量,$k$ 代表湍流动能,$\delta_{\textit{ij}}$ 代表克罗内克 delta。在流线曲率大、旋转强烈或流动快速变形的情况下,真实应力场与这种线性形式存在显著差异(Schmitt,参考文献 Schmitt2007),导致分离位置、压力分布和全局力场的预测误差。即使 $\nu _t$ 经过校准以匹配特定目标值,这些误差依然存在,因为结构上的限制是主要的误差来源。非线性湍流模型(如 Cambon 和 Scott(参考文献 Cambon and Scott1999)以及 Spalart(参考文献 Spalart2000)提出的模型)通过允许雷诺应力各向异性依赖于平均应变率和旋转率张量的非线性组合,从而能够描述曲率、旋转和次级流动等效应,这是线性涡粘性模型所无法捕捉的。非线性湍流模型的系数可以通过渐近分析和校准获得,或者通过数据驱动的拟合方法确定。然而,这些模型的局限性包括对系数选择的敏感性,以及如果未嵌入到具有适当限制器的保守求解器中时可能出现的刚性或不稳定性问题。目前,非线性湍流闭合方法仍远未能在平均流动和雷诺应力预测上达到与传统方法相当的水平。因此,Amarloo 等人(参考文献 Amarloo, Forooghi and Abkar2022, Amarloo, Cinnella, Iosifidis, Forooghi and Abkar2023)提出了一种替代方法,该方法不直接模拟完整的雷诺应力张量,而是通过每个控制体积添加一个学习得到的雷诺驱动力向量,从而更直接地满足求解器的需求,并能够与 RANS/非稳态 RANS(URANS)系统集成。这种方法避免了张量实现性的限制,且易于通过 DNS/大涡模拟(LES)和 PIV 数据进行监督。此外,这种方法还支持残差学习变体,即将驱动力向量分解为基线布辛涅斯克部分和学习得到的修正部分,从而在数值稳定性和预测准确性方面取得改进。

2. 问题设置 本研究聚焦于圆柱体周围的流动现象。流动方程通过圆柱体直径 $D$ 和来流速度 $U_\infty$ 进行归一化。在所有实验设置中,二维坐标系的原点位于圆柱体中心。水动力和空气动力 PIV 用于测量尾流区域的平均流动场和湍流统计特性。同时,还在不可 compressible 和弱可 compressible 流体范围内,对高保真谱元直接数值模拟(DNS)和高涡模拟(LES)进行了广泛研究。图 1 提供了我们的工作概述。本文的主要目标有三个:(i)利用 PIV 和 DNS/LES 构建一个涵盖多种流动情况的圆柱体数据集;(ii)利用有限的测量数据和 PINNs 推断流场和雷诺驱动力;(iii)构建数据驱动的湍流闭合模型,并将其与 PINNs 和数值求解器集成。不可压缩流动的稳定二维非封闭RANS方程,在雷诺数作用下可表示为(2.1):
$$
\begin{align}
\frac{\partial U}{\partial x} + \frac{\partial V}{\partial y} = 0, \\
U \frac{\partial U}{\partial x} + V \frac{\partial U}{\partial y} + \frac{1}{\rho} \frac{\partial P}{\partial x} - \nu \left(\frac{\partial^2 U}{\partial x^2} + \frac{\partial^2 U}{\partial y^2}\right) - F_x = 0, \\
U \frac{\partial V}{\partial x} + V \frac{\partial V}{\partial y} + \frac{1}{\rho} \frac{\partial P}{\partial y} - \nu \left(\frac{\partial^2 V}{\partial x^2} + \frac{\partial^2 V}{\partial y^2}\right) - F_y = 0,
\end{align}
$$
其中,$U, V, P$ 是时间平均状态变量,$\nu$ 是分子粘度,$\rho = 1$ 是密度。这里,$F_x, F_y$ 是雷诺数强迫向量,由 $\boldsymbol{F} = \boldsymbol{\nabla} \boldsymbol{\cdot} \tau_{Re}$ 定义,其中 $[\tau_{Re}]_{ij} = -\overline{u'_iu'_{j}}$ 是雷诺应力张量。

3. 数据生成与交叉验证
3.1. 流体动力学粒子图像测速(Hydrodynamic Particle Image Velocimetry, PIV)
流体动力学PIV实验是在麻省理工学院的机器人拖曳水槽设施中进行的。该设施的详细描述可以在Fan等人(参考文献Fan, Jodin, Consi, Bonfiglio, Ma, Keyes, Karniadakis和Triantafyllou2019)的论文中找到。拖曳水槽在主要拖曳方向上的长度为10米,横截面尺寸为1米×1米。一个直径为$D=50.8$毫米的圆柱体通过安装在水槽顶部轨道系统上的龙门机器人进行拖曳。圆柱体由铝制成,表面光滑,并经过黑氧化处理以减少光线反射。为了减弱圆柱体有限长度和自由表面产生的影响,连接了端板,使得圆柱体两端的有效长度为$L\approx 0.6$米,对应的宽高比为$L/D=12$。摄像机(Optronis Cyclone 2000)和镜头(Zeiss Dimension 2/35)安装在一个防水外壳中,位于圆柱体后方。摄像机拍摄垂直于圆柱体主轴的水平光片,该光片由一个功率为40瓦的脉冲连续波激光器(Optolutions LD-PS/40)产生,激光器固定在龙门机器人上但位于拖曳水槽外部。因此,摄像机、圆柱体和激光器之间的相对位置是固定的。为了可视化流场,使用了直径为5微米的聚酰胺颗粒,在实验过程中这些颗粒几乎不发生漂浮或沉降。进行了摄像机校准以获得像素缩放因子并补偿光学畸变。校准结果显示像素缩放因子为5.744像素/毫米。图像以时间序列的形式记录,帧与帧之间的时间步长$\Delta t$根据雷诺数进行调整,具体数值见表1。由于拖曳水槽的支柱,激光光偶尔会被遮挡,在预处理过程中会丢弃这些被遮挡的帧。为了提供多样化的数据,进行了多个不同雷诺数下的实验。

表1. 在雷诺数$\textit{Re}$分别为10,000、30,000和60,000时的流体动力学PIV测量参数。其中,$U_{tow}$是拖曳速度,$w$是 interrogation窗口的大小(以像素计),$overlap$是 interrogation窗口的重叠百分比,$field size$是矢量场的大小(以矢量计),$l_{w\textit{in}} / l_{k}$表示相对空间分辨率,$num_snapshots$是快照的数量,$\Delta t$是快照之间的时间间隔。表1展示了重要参数的概览,如拖曳速度$U_{tow}$、最终 interrogation窗口大小、重叠比例、场大小( interrogation窗口边缘长度$l_{w\textit{in}$与Kolmogorov长度$l_{k}=D\cdot Re^{-3/4}$的比值)、快照数量以及快照之间的时间间隔$\Delta t$。对于每个雷诺数,记录了五组数据,对光照不足区域和反射进行了处理,并使用LaVision DAVIS 11流场可视化软件通过多次扫描PIV方法进行处理,最终 interrogation窗口的大小为$16\times 16$,重叠比例为75%,相当于大约$2.8$毫米×$2.8$毫米。数据经过后处理,使用Westerweel和Scarano(参考文献Westerweel和Scarano2005)提出的通用异常值检测方法,并通过插值填补数据中的空白。处理后的流场覆盖了大约200毫米×150毫米的区域。随后,通过将长度尺度除以圆柱体直径$D$,将速度除以拖曳速度$U_{tow}$对数据进行无量纲化。对于每个雷诺数,将所有实验的数据合并,得到每个雷诺数下接近90个涡脱落周期的数据,以获得收敛的平均统计结果。图2显示了不同雷诺数下的无量纲速度$U$、$V$以及雷诺应力$\overline{u'u'}$、$\overline{u'v'}$、$\overline{v'v'}$的平均场,其中$u'$和$v'$表示流速在流向($x$方向)和横向($y$方向)的波动分量。所有量在所有雷诺数下显示出结构上的相似性;然而也存在差异,例如在$U$场中可见的循环气泡随着雷诺数的增加而略有增大。此外,在较低的雷诺数下,雷诺应力更加集中。

3.2. 空气动力学粒子图像测速(Aerodynamic Particle Image Velocimetry, PIV)
空气动力学粒子图像测速(PIV)实验是在中佛罗里达大学的高速风洞设施中进行的。风洞的几何形状、仪器配置和流量测量方法的详细信息可以在先前的研究中找到(Morales等人,参考文献Morales, Lasky, Geikie, Engelmann和Ahmed2019,以及Morales, Thornton, Tonarely和T.G.M.2022)。PIV测量是在一个矩形横截面尺寸为127毫米×45毫米(深度×高度)的光学可访问测试段中进行的。为了生成湍流尾流,测试段安装了一个光滑的圆柱体,圆柱体的直径$D$为15毫米,横向长度$L$为127毫米,以覆盖整个测试段的深度。圆柱体使用侧板和螺钉安装在通道的垂直中心。这种配置对应的阻塞比为33%(圆柱体直径与通道高度的比值),宽高比为$L/D = 8.47$。PIV系统包括一个带有示踪粒子的种子器、一个高速激光器、一个形成光片的光学系统以及一个垂直于设施安装的摄像机。0.5微米的氧化铝(Al$_2O_3$)示踪粒子通过压力驱动的种子器注入风洞上游的主流路径中。气流通过种子器时使用车间空气源(102 psi)和节流孔进行测量。示踪粒子在测试段内由一个双腔、固态、532纳米的Nd:YAG激光器(LDP-200MQG Dual)照明。激光束通过一个1000毫米的聚焦光学系统和一个-25.4毫米焦距的圆柱透镜形成薄光片,然后使用一个45°镜子将光片导向测试段,确保光片位于测试段的横向中心。示踪粒子的运动由一个高速CMOS摄像机(Photron SA-Z 2100K)捕捉,该摄像机配备了一个$f/2.8$、24–85毫米焦距的镜头。激光和摄像系统通过BNC模型脉冲/延迟发生器同步,以40,000赫兹的频率收集连续的PIV图像,总采样时间为0.27秒,大约得到11,000个样本。摄像机捕捉的域在流向方向上约为90毫米,通道的全高为45毫米。该设置产生了512×1024像素(pix)大小的时域图像,相当于像素分辨率为91微米/像素。图像使用Photron Fastcam软件收集,并导出用于矢量场处理。PIV数据在LaVision DaVis 10软件中进行处理,使用两种不同大小的 interrogation窗口进行互相关分析。初始和最终的窗口大小,包括重叠窗口大小,根据不同的雷诺数条件进行了调整(详见下文),以提供高分辨率的速度矢量场。表2提供了实验条件的总结。这些条件基于雷诺数$\textit{Re} = U_0D/\nu$定义,其中$U_0$是圆柱体上游的速度,$D$是圆柱体直径(15毫米),$\nu$是空气的动力粘度。斯托克斯数也包含在内,使用Raffel等人的公式计算(参考文献Raffel, Willert, Scarano, K?hler, Wereley和Kompenhans2018)。表2还提供了每个测试条件下用于PIV数据处理的最终窗口大小($W$)以及重叠窗口大小(以百分比表示)。每个测试案例的结果矢量网格分辨率$\lambda$也被列出,并以$\lambda /l_k$的形式与Kolmogorov长度尺度进行比较,其中$l_k = l_0Re_T^{-3/4}$,$l_0$是积分尺度,$\textit{Re}_T = u'l_0/\nu$是湍流雷诺数(Pope参考文献Pope2001)。图3显示了不同雷诺数下的平均速度分量$U$、$V$以及雷诺应力分量$\overline{u'u'}$、$\overline{u'v'}$、$\overline{v'v'}$(从左到右分别为$\textit{Re} = 10,000$、$\textit{Re} = 20,000$、$\textit{Re} = 30,000$)。白色区域在处理过程中被遮蔽,黑色区域表示圆柱体的位置。(a)$U$,(b)$V$,(c)$\overline{u^{\prime}u^{\prime}}$,(d)$\overline{u^{\prime}v^{\prime}}$,(e)$\overline{v^{\prime}v^{\prime}}$。

3.3. 数值模拟
表3显示了使用Fischer等人提出的开源光谱元素代码nekRS模拟的不可压缩圆柱体流动的参数范围(参考文献Fischer2022)。特别是,在$ \textit{Re}\lt 60\,000$的模拟中使用了DNS(数值模拟方法),而在$ \textit{Re}=60\,000$和$ \textit{Re}=140\,000$的流动模拟中使用了LES(大涡模拟方法)。在这些模拟中,王等人(参考文献Wang, Triantafyllou, Constantinides和Em Karniadakis2019)提出的熵粘性方法(EVM)被用来模拟未闭合的亚网格尺度湍流。值得注意的是,EVM已经通过在$ \textit{Re}=140\,000$时对圆柱体周围不可压缩流动的模拟得到了验证,如王等人(参考文献Wang, Fan, Jiang, Triantafyllou和Karniadakis2023)所示。关于EVM在nekRS上实现的更多验证和网格独立性研究可以在附录A的图22(a)、22(b)和22(c)中找到。3.4节中提到了交叉验证。图4和图5对DNS和流体动力PIV(粒子图像 velocimetry)进行了交叉验证。DNS的雷诺数为$ \textit{Re}=11\,000$,而流体动力PIV的雷诺数为$ \textit{Re}=10\,000$。两者都假设了无约束的设置,并使用了$U_\infty$标准化,从而可以进行一对一的比较。数据经过了共注册和时间平均处理,以得到平均场和雷诺应力。场比较(图4)显示在$U$、$V$以及$\overline {u'u'}$、$\overline {v'v'}$、$\overline {u'v'}$方面有定性的一致性:$U$的缺失和尾流扩散是一致的;$V$展示了预期的中心线对称性;应力峰值在剪切层中对齐;远尾流的衰减率也相匹配。线型剖面(图5)确认了相似的速度缺失、半宽度和应力峰值的大小/位置。在$\overline {v'v'}$分量中观察到了轻微的差异,这可能是由于PIV测量中的空间滤波和信噪比限制,以及DNS中的空间分辨率和平均程序的差异所致。此外,在$x=1$处观察到$\overline {u'v'}$的明显偏差。这些差异可能与循环泡区域的实验不确定性有关,在该区域沿中心线的平均流向速度变为负值,也可能与拖曳水槽中圆柱体的振动效应有关。总体而言,DNS和PIV数据集在平均流动和二阶统计量上显示出良好的一致性,支持了它们在模型开发和基准测试中的联合使用。图5显示了在四个流向位置$x=1,2,3,4$上的时间平均DNS和流体动力PIV结果。平均速度$U$和$V$以及雷诺应力$\overline {u'u'}$、$\overline {u'v'}$和$\overline {v'v'}$都进行了展示。DNS的雷诺数为$ \textit{Re}_{\textit{DNS}}=11\,000$,而PIV的雷诺数为$ \textit{Re}_{\textit{PIV}}=10\,000$。(a) $U$的比较。(b) $V$的比较。(c) $\overline {u'u'}$的比较。(d) $\overline {u'v'}$的比较。(e) $\overline {v'v'}$的比较。图6在$ \textit{Re}=11\,000$时比较了DNS和空气动力PIV。PIV是在一个受限风洞中进行的,其测试截面高度为$3D$,名义阻塞比为$1/3$。由于这种配置与无约束的DNS不同,因此无法进行完整场的一对一比较;相反,我们关注的是尾流附近的线型剖面,那里的壁面束缚效应较为不显著。在两个流向位置$x=1$和$x=1.5$提取了剖面,并通过$U_\infty$进行了共注册和标准化。平均流向速度在两个位置都显示出良好的速度缺失情况,尾流半宽和中心线值也相当。横向速度在$x=1.5$处也吻合得很好,显示了预期的反对称结构和接近零的中心线值。雷诺应力$\overline {u'u'}$、$\overline {v'v'}$和$\overline {u'v'}$的模式也匹配:$\overline {u'u'}$、$\overline {v'v'}$和$\overline {u'v'}$的峰值出现在相似的横向位置。在$\overline {v'v'}$分量中观察到了轻微的差异,这可能是由于PIV测量中的空间滤波和信噪比限制,以及DNS中的空间分辨率和平均程序的差异所致。此外,在$x=1$处也观察到$\overline {u'v'}$的明显偏差。这些差异可能与循环泡区域的实验不确定性有关,在那里靠近中心线的平均流向速度变成了负值,也可能是拖曳水槽中圆柱体振动的影响。总的来说,DNS和PIV数据集在平均流动和二阶统计量上显示出良好的定量一致性,支持了它们在模型开发和基准测试中的联合使用。图6比较了在四个流向位置$x=1,2,3,4$上的时间平均DNS和流体动力PIV结果。平均速度$U$和$V$以及雷诺应力$\overline {u'u'}$、$\overline {u'v'}$和$\overline {v'v'}$都进行了展示。DNS的雷诺数为$ \textit{Re}_{\textit{DNS}}=11\,000$,而PIV的雷诺数为$ \textit{Re}_{\textit{PIV}}=10\,000$。(a) $U$的比较。(b) $V$的比较。(c) $\overline {u'u'}$的比较。(d) $\overline {u'v'}$的比较。(e) $\overline {v'v'}$的比较。图6在$ \textit{Re}=11\,000$时比较了DNS和空气动力PIV。PIV是在一个受限风洞中进行的,其测试截面高度为$3D$,名义阻塞比为$1/3$。由于这种配置与无约束的DNS不同,因此无法进行完整场的一对一比较;相反,我们关注的是尾流附近的线型剖面,那里的壁面束缚效应较为不显著。在两个流向位置$x=1$和$x=1.5$提取了剖面,并通过$U_\infty$进行了共注册和标准化。平均流向速度在两个位置都显示出良好的速度缺失情况,尾流半宽和中心线值也相当。横向速度在$x=1.5$处也吻合得很好,显示了预期的对抗称结构和接近零的中心线值。雷诺应力$\overline {u'u'}$、$\overline {v'v'}$和$\overline {u'v'}$的模式也匹配:$\overline {u'u'}$、$\overline {v'v'}$和$\overline {u'v'}$的峰值出现在相似的横向位置。在$V$和应力水平上观察到了更明显的幅度差异,这与风洞的束缚效应(横向扩散减少、压力恢复改变和湍流产生的变化)以及已知的PIV限制(空间滤波、平面外运动、种子非均匀性)一致。总体而言,尾流附近的一致性在形状和特征位置上很强,而观察到的幅度差异为束缚效应和测量效应提供了一个定量范围。因此,图6支持使用空气动力PIV来验证DNS在尾流中的效果,同时提醒在受限条件下不要将DNS和PIV视为完全等效。图6比较了在两个流向位置$x=1,1.5$上的时间平均DNS和空气动力PIV结果。空气动力PIV是在一个受限风洞中进行的,阻塞比为$1/3$,如图3所示,因此这里只比较了靠近圆柱体的场。平均速度$U$和$V$以及雷诺应力$\overline {u'u'}$、$\overline {u'v'}$和$\overline {v'v'}$都进行了展示。DNS和PIV的雷诺数均为$ \textit{Re}_{\textit{DNS}}=11\,000$。(a) 在$x=1$处的比较。(b) 在$x=1.5$处的比较。3.5节中,我们在获得时间平均DNS和PIV数据后,引入了一种基于物理信息的数据后处理方法来校正数据,确保连续性和动量方程得到满足。我们考虑在双周期域$\varOmega = [0,L_x]\times [0,L_y]$上的二维不可压缩RANS方程。对于非周期域,我们可以在其边界周围线性添加一个缓冲层,其中缓冲层的外边界是均匀的,以便填充后的域满足周期性条件。假设运动粘度为$\nu$,并且为简单起见,假设单位密度($\rho =1$)。稳态形式的RANS动量方程,将雷诺应力贡献建模为外部强迫$\boldsymbol{F}(x,y)$,表示为(3.1)\begin{align} (\boldsymbol{U}\boldsymbol{\cdot }\boldsymbol{\nabla }) \boldsymbol{U} \,=\,-\boldsymbol{\nabla}\kern-1pt P + \nu {\nabla} ^{2}\boldsymbol{U} + \boldsymbol{F} \quad \text{在 }\varOmega , \end{align} 以及不可压缩性约束(3.2)\begin{align} \boldsymbol{\nabla }\boldsymbol{\cdot }\boldsymbol{U} \,=\, 0 \quad \text{在 }\varOmega \,. \end{align} 假设我们在$\varOmega$的均匀网格上对速度场$\boldsymbol{U}_{\kern-1pt {m}}(x,y) = (u_{{m}}(x,y),\,v_{{m}}(x,y))$和强迫$\boldsymbol{F}_{\kern-1.5pt {m}}(x,y)$有离散测量。通常,$\boldsymbol{U}_{\kern-1pt {m}}$并不完全满足$\boldsymbol{\nabla }\boldsymbol{\cdot }\boldsymbol{U}_{\kern-1pt {m}}=0$,这是由于测量误差造成的。我们的目标如下:(i) 通过对$\boldsymbol{U}_{\kern-1pt {m}}$应用Helmholtz分解并求解标量势$\phi$的Poisson方程,来强制一个无散度的速度场$\boldsymbol{U}$。(ii)从校正后的无散度速度$\boldsymbol{U}$和测量到的强迫$\boldsymbol{F}_{\kern-1.5pt {m}}$计算压力场$p(x,y)$,确保与稳态动量方程(3.1)一致。(iii)重构一个校正后的强迫$\boldsymbol{F}_{{new}}(x,y)$,以便当使用步骤(i)-(ii)得到的$\boldsymbol{U}$和$p$时,动量方程(3.1)能够精确成立。3.5.1. Helmholtz分解和散度校正任何足够光滑的周期域上的向量场$\boldsymbol{v}(x,y)$都可以唯一地分解为无散度的旋度部分(sol)和标量势的梯度(3.3)\begin{align} { \boldsymbol{v}(x,y) \,=\, \boldsymbol{v}_{{sol}}(x,y)\,+\,\boldsymbol{\nabla }\phi (x,y)\,, \qquad \boldsymbol{\nabla }\boldsymbol{\cdot }\boldsymbol{v}_{{sol}} = 0\,.} \end{align} 将(3.3)应用于测量到的速度$\boldsymbol{U}_{\kern-1pt {m}}(x,y)$(3.4)\begin{align} \boldsymbol{U}_{\kern-1pt {m}}(x,y) \,=\,\boldsymbol{U}(x,y)\,+\,\boldsymbol{\nabla }\phi (x,y)\,, \quad \text{with}\,\boldsymbol{\nabla }\boldsymbol{\cdot }\boldsymbol{U}=0. \end{align} 对(3.4)求散度得到(3.5)\begin{align} \boldsymbol{\nabla }\boldsymbol{\cdot }\boldsymbol{U}_{\kern-1pt {m}} \,=\,\boldsymbol{\nabla }\boldsymbol{\cdot } (\boldsymbol{U} + \boldsymbol{\nabla }\phi) \,=\,0 \,+\,{\nabla} ^{2}\phi , \end{align} 从而使$\phi$满足Poisson方程(3.6)\begin{align} {\nabla} ^{2}\phi (x,y) \,=\,\boldsymbol{\nabla }\boldsymbol{\cdot }\,\boldsymbol{U}_{\kern-1pt {m}}(x,y). \end{align} 这个Poisson方程可以通过谱方法求解,周期性边界条件可以通过之前的线性填充来满足。找到$\phi (x,y)$后,定义校正后的速度场(3.7)\begin{align} \boldsymbol{U}(x,y) \,=\,\boldsymbol{U}_{\kern-1pt {m}}(x,y)\,-\,\boldsymbol{\nabla }\phi (x,y). \end{align} 因此,$\boldsymbol{U}$在离散网格上是无散度的(考虑到谱混叠误差)。图7显示了校正前的散度残差,图8比较了校正前后的速度。结果显示,校正的幅度很小,但足以满足方程。图7. 校正前的散度和动量方程残差。校正后,所有残差都变为零,方程得到满足。数据集包含在$ \textit{Re}=11\,000$时的不可压缩时间平均DNS数据。图8. 基于Helmholtz分解的速度校正结果。参考数据是在$ \textit{Re}=11\,000$时的不可压缩时间平均DNS数据。显示了校正后的速度分量、差异和相对$L_2$误差。3.5.2. 从$\boldsymbol{U}$和$\boldsymbol{F}_{\kern-1.5pt {m}}$计算压力对于DNS数据集,已有时间平均压力,因此不需要计算压力。然而,对于PIV数据集,由于没有压力测量,可以根据不可压缩条件来获取压力信息。已知无散度速度$\boldsymbol{U}(x,y)$后,我们现在重建压力$P(x,y)$,以便使用测量的强迫$\boldsymbol{F}_{\kern-1.5pt {m}}(x,y)$来满足稳态动量方程(3.1)。为了简单起见,设$\rho =1$。由于$\boldsymbol{\nabla }\boldsymbol{\cdot }\boldsymbol{U}=0$,动量方程(3.1)可以重新排列为表达压力梯度(3.8)\begin{align} \boldsymbol{\nabla }P \,=\, - (\boldsymbol{U}\boldsymbol{\cdot }\boldsymbol{\nabla }) \boldsymbol{U} \,+\,\nu {\nabla} ^{2}\boldsymbol{U} \,+\,\boldsymbol{F}_{\kern-1.5pt {m}}(x,y)\,. \end{align} 为了确定$P(x,y)$(直到一个加法常数),我们对(3.8)求散度,得到标量场$P$的Poisson方程(3.9)\begin{align} \boldsymbol{\nabla }\boldsymbol{\cdot } (\boldsymbol{\nabla }P) \,=\,{\nabla} ^{2}P \,=\, - \boldsymbol{\nabla }\boldsymbol{\cdot }[(\boldsymbol{U}\boldsymbol{\cdot }\boldsymbol{\nabla })\boldsymbol{U}] \,+\,\boldsymbol{\nabla }\boldsymbol{\cdot }\boldsymbol{F}_{\kern-1.5pt {m}. \end{align} 在线性填充以满足周期性边界条件并通过谱方法求解Poisson方程后,我们可以得到压力场$P$。3.5.3. 重建校正后的强迫$\boldsymbol{F}_{{new}}$尽管使用了$\boldsymbol{F}_{\kern-1.5pt {m}}$来计算$P$,但动量方程(3.1)可能不适用于$\boldsymbol{U},P,\boldsymbol{F}_m$,因此我们现在定义一个新的强迫$\boldsymbol{F}_{{new}}(x,y)$,它能够精确满足(3.1)对于无散度的$\boldsymbol{U}$和计算出的压力$P$。重新排列(3.1)得到(3.10)\begin{align} \boldsymbol{F}_{{new}}(x,y) \,=\, (\boldsymbol{U}\boldsymbol{\cdot }\boldsymbol{\nabla })\boldsymbol{U} \,+\,\boldsymbol{\nabla }P \,- \nu {\nabla} ^{2}\boldsymbol{U}. \end{align} 因此,通过构造,$\boldsymbol{U}$、$P$和$\boldsymbol{F}_{{new}}$满足(3.11)\begin{align} (\boldsymbol{U}\boldsymbol{\cdot }\boldsymbol{\nabla })\boldsymbol{U} \,=\, -\boldsymbol{\nabla }P \,+\,\nu{\nabla} ^{2}\boldsymbol{U} \,+\,\boldsymbol{F}_{{new}} \quad \text{and}\quad \boldsymbol{\nabla }\boldsymbol{\cdot }\boldsymbol{U} = 0, \end{align} 因此,校正后的数据集$(\boldsymbol{U},\,p,\,\boldsymbol{F}_{{new}})$与稳态不可压缩RANS动量方程自洽。图7显示了校正前的动量方程残差,图9比较了校正前后的雷诺力。同样,校正保持了雷诺力的模式,减少了DNS数据中谱元素方法(SEM)中单元边界不平滑性带来的噪声,并足以满足控制方程。类似的过程可以用来处理满足非稳态不可压缩Navier–Stokes(NS)方程的时变数据集,例如相位平均的URANS和LES数据集。图9. 强迫项校正结果。参考数据是在$ \textit{Re}=11\,000$时的不可压缩时间平均DNS数据。显示了校正后的强迫项分量、差异和相对$L_2$误差。4学习率和$\lambda _{{PDE}}$的演变示例,以及训练损失和测试误差,在附录(图23)中提供。为了进一步加速收敛,采用了Anagnostopoulos等人(参考文献Anagnostopoulos, Toscano, Stergiopulos和Karniadakis2024)提出的基于残差的注意力(RBA)策略。他们工作中公式(12)中的RBA参数被设置为$\gamma = 0.99$和$\eta = 0.1$,这使得内部和边界点处具有较大局部残差的权重可以放大到10倍。图10展示了用于流动推断的PINN架构。一个MLP被用来近似流场。使用二维不可压缩纳维-斯托克斯方程(带有未封闭的雷诺力)作为物理正则化。边界上的可测量变量$U$、$V$、$F_x$和$F_y$被用于数据损失计算。图11将PINN的预测结果与参考DNS数据进行了比较。还显示了相对$L_2$误差,其定义如下:
\begin{align} E=\frac {||U_{pred}-U_{ref}||_{l_2(\varOmega )}}{||U_{ref}||_{l_2(\varOmega )}}。
\end{align}
所有流场都得到了满意的推断。特别是,PINN本身没有压力信息,但它们可以推断出压力场,误差大约在$5\,\%-10\,\%$之间。强迫项也被很好地推断出来,且预测结果比参考值更平滑,尽管由于从SEM获得的解是弱解,因此存在一些噪声。图11展示了在$\textit{Re}=11\,000$时不可压缩圆柱流动的推断结果。第一列显示参考值,第二列显示PINN的重建结果,最后一列显示逐点误差。参考数据是经过时间平均处理的DNS。预测仅使用域边界上的可测量数据$U,V,F_x,F_y$得出。第三列显示了误差分布和相对$L_2$误差。表4总结了在不同雷诺数下,使用和不使用物理信息校正时的$L_2$误差。我们看到,物理信息校正可以显著提高PINN流动推断的准确性。这意味着当数据本身满足方程时,PINN中的物理正则化将更好地确定解。基于校正数据的关键流动推断结果在附录B中展示。三个案例基于校正后的空气动力学PIV测量数据。在这些案例中,入口马赫数小于$0.15$,且场内的最大马赫数小于$0.3$,因此这些数据可以被视为不可压缩的。表4显示了基于不同数据集的流动推断中$U, V, P, F_x, F_y$的相对$L_2$误差。比较了使用校正数据(默认)和未校正数据得到的结果。数据损失仅在域边界计算。表5展示了使用更多数据(不仅仅是域边界数据)进行流动推断的情况。具体来说,均匀分布的内部点(例如,$5\times 5$)被添加到数据损失计算中。与边界信息一样,仅使用内部点$U, V, F_x, F_y$。我们看到,更多的内部数据点可以更准确地确定解,即使是在单点情况下也是如此。此表中显示的关键结果在附录B中绘制。表5展示了在$\textit{Re}=11\,000$时,使用校正后的时间平均DNS数据进行流动推断时$U, V, P, F_x, F_y$的相对$L_2$误差。第三列显示了误差分布和相对$L_2$误差。表4总结了在不同雷诺数下,使用和不使用物理信息校正时的$L_2$误差。我们发现,物理信息校正可以显著提高PINN流动推断的准确性。这意味着当数据本身满足方程时,PINN中的物理正则化将更好地确定解。基于校正数据的流动推断关键结果在附录B中展示。三个案例基于校正后的空气动力学PIV测量数据。在这些案例中,入口马赫数小于$0.15$,场内的最大马赫数小于$0.3$,因此这些数据可以被视为不可压缩的。表4. 不同数据集基础上流动推断中$U, V, P, F_x, F_y$的相对$L_2$误差。比较了使用校正数据(默认)和未校正数据得到的结果。数据损失仅在域边界计算。表5展示了使用比域边界数据更多的数据进行流动推断的情况。具体来说,均匀分布的内部点(例如,$5\times 5$)被添加到数据损失计算中。与边界信息一样,仅使用内部点$U, V, F_x, F_y$。我们看到,更多的内部数据点可以更准确地确定解,即使是在单点情况下也是如此。此表中显示的关键结果在附录B中绘制。表5. 在$\textit{Re}=11\,000$时,使用校正后的时间平均DNS数据进行流动推断时$U, V, P, F_x, F_y$的相对$L_2$误差。数据损失不仅在边界计算,还在域内均匀分布的内部点计算。表4. 使用边界数据和Helmholtz及湍流增强方法的流动推断,Re = 3900。在这项研究中,我们将雷诺应力张量的散度视为一个强迫向量$[F_x, F_y]^{\top }$(雷诺强迫向量),从而将闭合问题从六个单独的雷诺应力减少到三个强迫项(如果没有横向平均流动,则为两个项)。然而,推断所有这些流场 become 一个病态问题,因为我们有三个方程和五个未知数。为了进一步减少这个看似病态的问题,从而提高推断的准确性,我们应用了Helmholtz分解来处理雷诺强迫向量,遵循Foures等人(参考文献Foures, Dovetta, Sipp和Schmid2014)以及Sliwinski和Rigas(参考文献Sliwinski和Rigas2023)的方法。在这种分解中,强迫被分解为一个标量(势能)分量,用$\phi$表示,以及一个无散度(旋度为零)的向量分量,用$F_{s,i}$表示。后者的无散度条件为(2.1)提供了一个额外的方程。这种分解表示为(4.3):
\begin{align} \boldsymbol{F}=[F_x, F_y]^\top \equiv \left [\frac {1}{\rho } \frac {\partial \phi }{\partial x}+F_{s, x}, \frac {1}{\rho } \frac {\partial \phi }{\partial y}+F_{s, y}\right ]^\top ,
\end{align}
其中$F_{s, x}$和$F_{s, y}$代表$x$和$y$方向上的旋度为零的力分量。将(4.3)代入(2.1)得到一个包含四个偏微分方程(PDE)的系统,如(C1)所示。在Patel等人(参考文献Patel, Mons, Marquet和Rigas2024)的工作中,(C1)被用来使用PINN重建圆柱体周围层流的平均流场,$\textit{Re} = 200$。在目前的工作中,我们推断出圆柱体周围湍流的雷诺强迫和平均流场,$\textit{Re} = 3900$。图12. PINN的架构及其训练所使用的数据分布。一个深度神经网络,通过一组权重和偏置参数化,近似从空间坐标到流动变量的连续映射。该网络使用高保真度的粗略测量数据和通过Helmholtz分解修改的RANS方程进行训练,如(C1)所示。4.2.1. PINN架构、超参数和流动推断结果。用于推断流场的PINN的整体架构如图12所示。在图12中,一个深度神经网络通过一组可训练的权重和偏置参数化,用于近似从空间坐标到感兴趣的流动变量的连续映射。该网络使用(i)沿边界规定的高保真度但粗糙的测量数据,以及(ii)通过Helmholtz分解修改的RANS方程进行训练,如(C1)中所述。对于训练,我们选择了$[1.5,7.5] \times [-2, 2]$范围内的PINN训练域。我们使用一个具有10个隐藏层的全连接神经网络,每个隐藏层包含32个神经元。优化分为两个阶段进行:首先,使用一阶Adam优化器对网络进行15000次迭代以实现稳健的初始拟合,然后优化切换到带有回溯的准牛顿Broyden–Fletcher–Goldfarb–Shanno(BFGS)算法(Kiyani等人,参考文献Kiyani, Shukla, Urbán, Darbon和Karniadakis2025)进行额外的8000次迭代以完善收敛性。训练数据包括1000个边界点和20000个残差点,这些点在各自域内独立且均匀分布。训练PINN后获得的重构速度场$(U, V)$显示在图13中。图13的(a)、(b)、(c)和(d)部分分别展示了$U$、$V$、$F_{x}$和$F_{y}$的推断分布。表6提供了使用标准RANS方程(2.1)和使用Helmholtz分解(C1)增强的RANS方程预测的流动场之间的相对$L_{2}$误差的定量比较。如图13(a)所示,并在表6中总结,将Helmholtz分解纳入PINN框架后,预测精度显著提高。具体来说,$V$的误差减少了大约两倍,而$U$的准确性几乎提高了三倍。$V$的尺度非常小,很难恢复其解。在Helmholtz分解公式下,$F_{x}$和$F_{y}$的预测误差也有显著改善。图13. 参考流场与PINN推断流场的比较:(a) $U$,(b) $V$,(c) $F_{x}$和(d) $F_{y}$,使用具有Helmholtz分解(C1)的边界数据获得。每个子图中的左、中和右部分分别显示了参考流场(使用SEM计算)、PINN推断的流场和绝对逐点误差。注意,使用Helmholtz分解重建的流场比使用标准RANS方程预测的流场具有更高的精度。(a) 参考(SEM)与推断(PINN)$(U)$,使用(C1),相对$L_2$误差:0.98%;(b) 参考(SEM)与推断(PINN)$(V)$,使用(C1),相对$L_2$误差:7.13%;(c) 参考(SEM)与推断(PINN)$(F_x)$,使用(C1),相对$L_2$误差:16.89%;(d) 参考(SEM)与推断(PINN)$(F_y)$,使用(C1),相对$L_2$误差:26.61%。表6. 使用RANS、带Helmholtz分解的RANS以及结合湍流模型的RANS进行流动推断的误差比较。图14. 六个不同雷诺数下不可压缩圆柱流动的雷诺力向量$F_x$和$F_y$场的相似性。在每个子图中,左侧显示$F_x$,右侧显示$F_y$。结果来自时间平均的DNS数据:(a) $\textit{Re}=3900$;(b) $\textit{Re}=5000$;(c) $\textit{Re}=11\,000$;(d) $\textit{Re}=30\,000$;(e) $\textit{Re=60\,000$;(f) $\textit{Re=140\,000$。为了进一步研究物理信息框架在流动场推断中的能力,我们增加了为尾流区域定制的湍流模型,如Spalart和Allmaras(参考文献Spalart和Allmaras1992)所提出的。由此产生的增强方程组表示为(C2)。为了训练这个网络,我们使用了与之前仅使用Helmholtz分解的情况下相同的超参数集合。PINN的架构和流动推断结果在附录C.2中讨论。表6提供了一个相对$L_2$误差指标,比较了所有三种RANS方程((2.1)、(C1)、(C2)的相对$L_2$误差。值得注意的是,使用湍流增强模型(C2)重建的流场比使用标准RANS方程和带有Helmholtz分解的RANS方程预测的流场具有更高的精度——除了$F_x$之外。这种差异可能是由于湍流模型在尾流区域的准确性有限所致。5. 湍流闭合模型 5.1. 不同雷诺数下的雷诺应力相似性 图14显示了不可压缩RANS方程中的雷诺力$F_x$和$F_y$。比较了六个不同雷诺数的结果。力$F_x$和$F_y$在不同雷诺数下显示出相似性,表明在不可压缩圆柱流动中存在一个普遍规律。除了模拟数据外,PIV测量中也发现了相同的趋势。图2显示了$\textit{Re}=10\,000{-}60\,000$范围内流体动力学PIV中的平均速度和雷诺力的相似性。图3显示了$\textit{Re}=6500{-}100\,000$范围内空气动力学PIV中的相同相似性。注意,当马赫数达到$Ma=0.3$时,即$\textit{Re=100\,000$的可压缩流动中,平均速度和雷诺力的相似性就不再成立,这表明马赫数在可压缩湍流闭合中起着重要作用。一个可推广的湍流闭合模型对于可压缩流动来说非常有趣,将是未来的研究重点。5.2. 基于时间平均DNS数据的神经网络湍流闭合模型 我们训练了一个神经网络作为闭合模型。模型输入是时间平均的速度分量$U$和$V$及其导数$U_x, U_y, V_x$。由于不可压缩流动的无散度条件,项$V_y=-U_x$被排除在外。模型的输出是雷诺力$F_x$和$F_y$。使用一个具有3个隐藏层和每层128个神经元的全连接网络。激活函数是修正线性单元(Rectified Linear Unit)。我们使用两个雷诺数的数据训练这个神经网络,并用其他三个雷诺数对其进行测试。表7总结了所有训练和测试数据集的相对$L_2$误差。基于雷诺应力与雷诺数的相似性,即使在 extrapolation 情况下也能很好地预测强迫项。最大的误差出现在 $\textit{Re}=3900$ 时,此时循环区域的长度比其他测试的雷诺数下的要长,如图14所示。表7展示了神经网络(NN)湍流闭合模型的误差。在图15中,神经网络湍流闭合模型在未见过的雷诺数 $\textit{Re}=140\,000$ 下进行了评估。预测的力场 $F_x$ 和 $F_y$ 相当好地捕捉到了参考数据的整体结构和空间分布,尽管仍存在一些局部的差异。图15显示了在未见过的测试雷诺数 $\textit{Re}=140\,000$ 下神经网络闭合模型的预测结果。第一列显示了来自直接数值模拟(DNS)的参考数据,第二列显示了神经网络闭合模型的预测结果,第三列显示了点误差。第三列还显示了相对的 $L_2$ 误差。图16展示了神经网络闭合模型的整体比较情况。红点代表训练数据,蓝点代表测试数据。该模型显示出良好的泛化能力,并且通过在训练中使用更多数据可以进一步提高其性能。这些结果既突显了数据驱动闭合方法的前景,也强调了在训练数据集中包含广泛流动条件的重要性,以便实现稳健的泛化。图16显示了神经网络闭合模型在训练和测试数据集上的整体比较。水平轴显示了所有雷诺数下来自DNS的雷诺力分量 $F_x$ 和 $F_y$,垂直轴显示了闭合模型对相应数据点的预测结果。在 $y=x$ 的线上的误差为零。

5.3 将闭合模型与PINNs集成
在本节中,我们将闭合模型与PINNs集成,以解决类似数值CFD求解器中的前向问题。我们有两种设置,其中使用了不同类型的闭合模型来解决圆柱体周围流动的稳态RANS问题。本节中使用的所有数据都来自 $\textit{Re}=11\,000$ 时校正后的时间平均PIV测量结果。
设置1:显式闭合模型。图17(a)展示了第一种设置。给出了 $\partial \varOmega$ 上的速度边界条件(BC)和压力测量点。训练了一个神经网络闭合模型来预测从平均速度 $U,V$ 及其导数 $U_x,U_y,V_x$ 得出的力项。由于校正后数据集的无散性,$V_y=-U_x$ 项被省略了。

图17. 将不同闭合模型与PINN求解器集成。使用 $\partial \varOmega$ 上的速度BC和单一压力(测量点)作为数据损失。
(a) 设置1,给出了一个显式闭合模型 $N_1$,用于计算 $\varOmega$ 上的雷诺力。
(b) 设置2,给出了一个隐式闭合模型 $N_2$,用于计算 $\varOmega$ 上的涡粘性矩阵。
(c) 联合闭合–PINN系统。对于每个闭合模型,有两个神经网络:一个基于坐标 $x,y$ 来预测状态变量 $U,V,P$;另一个是闭合网络。

设置2:隐式闭合模型。图17(b)展示了第二种设置。与第一个设置类似,给出了 $\partial \varOmega$ 上的速度BC和压力测量点。力的处理方式不同,这里构建了一个神经网络闭合模型来预测涡粘性矩阵,然后使用这个涡粘性矩阵来计算力项。输入特征包括平均速度 $U,V$ 及其导数 $U_x,U_y,V_x$。同样,由于校正后数据集的无散性,$V_y=-U_x$ 项被省略了。我们尝试这种涡粘性矩阵设置的原因是为了补充之前的设置。如果我们直接用神经网络闭合模型来预测力,那么力将是一个显式项,并会出现在CFD求解器的右侧线性系统中。根据Wu等人的研究(参考文献Wu, Xiao, Sun和Wang2019),显式力的线性系统的条件数会很大,从而导致NS方程的误差增大。为了解决这个问题,我们尝试通过使用涡粘性矩阵来使力项变得隐式。原始的稳态NS方程带有力项的形式为(5.1):
$$
\boldsymbol{U} \boldsymbol{\cdot } \boldsymbol{\nabla }\boldsymbol{U} \,+\, \boldsymbol{\nabla }P \,-\nu{\nabla} ^{2}\boldsymbol{U} \,=\, \boldsymbol{F}(x,y).
$$
我们可以选择两个涡粘性场 $\nu _{tx}(x,y)$ 和 $\nu _{ty}(x,y)$,使得(5.2)成立:
$$
\boldsymbol{F}(x,y) \,=\, \begin{pmatrix} F_x \\ F_y \end{pmatrix} \,=\, {\begin{pmatrix} \nu _{tx}(x,y) & 0 \\ 0 & \nu _{ty}(x,y) \end{pmatrix}} \,{\nabla} ^{2}\boldsymbol{U}(x,y).
$$
换句话说,我们将 $\boldsymbol{F}$ 模拟为一个各向异性的、对角线的涡粘性,作用在 ${\nabla} ^{2}\boldsymbol{u}$ 上。将(5.2)代入(5.1)得到(5.3):
$$
\boldsymbol{U} \boldsymbol{\cdot } \boldsymbol{\nabla }\boldsymbol{U} \,+\, \boldsymbol{\nabla }P \,-{\Bigl (\nu \boldsymbol{I} + \mathrm{diag}(\nu _{t1},\,\nu _{t2})\Bigr )} \,{\nabla} ^{2}\boldsymbol{U} \,=\, \boldsymbol{0}.
$$
通过这种方式,我们可以将显式力转换为一个纯隐式形式,而不损失精度。图18显示了使用显式模型的前向PINN的结果。注意,前向问题从随机初始化的流场开始,最终误差很小,表明耦合的流动-湍流系统可以收敛到标记数据所在的位置。这种良好的收敛性表明,预训练的神经网络闭合模型与CFD求解器结合是可行的。这一结果还表明,数据驱动的湍流闭合模型适用于基于PINN的流动求解器,为PINN解决实际应用中出现的湍流问题打开了大门。

图18. 使用显式闭合模型的前向PINN的流动解决方案。第一列显示了 $\textit{Re}=11\,000$ 时校正后的空气动力PIV的参考数据,第二列显示了与显式闭合模型耦合的PINN的预测结果,第三列显示了点误差。给出了每个变量的相对 $L_2$ 误差。图19显示了使用隐式闭合模型的前向PINN问题的结果。与显式模型相比,这种隐式涡粘性闭合设置下的误差较大,但仍然可比较。良好的精度表明,流动和湍流之间的隐式耦合仍然可以收敛到标记数据所在的位置,这再次证明了在CFD求解器中使用隐式闭合模型的可行性。考虑到更好的数值稳定性以及CFD求解器中线性系统的较小条件数,这种隐式策略有望将任何数据驱动的湍流模型集成到现有的CFD求解器中。

表8. 使用不同湍流闭合模型的PINN前向解决方案中的误差总结。

图19. 使用隐式闭合模型的前向PINN的流动解决方案。第一列显示了 $\textit{Re}=11\,000$ 时校正后的空气动力PIV的参考数据,第二列显示了与显式闭合模型耦合的PINN的预测结果,第三列显示了点误差。给出了每个变量的相对 $L_2$ 误差。表8总结了我们在使用不同湍流闭合模型时的前向问题中获得的误差。通过将闭合模型与PINN求解器一起测试,得到了力项的事后误差。这两种情况下闭合模型的输入特征不同。两种策略都能将数据驱动的闭合模型以满意的精度集成到前向PINN求解器中。显式闭合模型与PINNs结合时取得了更好的结果,且没有出现数值稳定性问题。通过涡粘性矩阵的隐式闭合模型更适合数值偏微分方程(NS)求解器,因为在这些求解器中数值稳定性很重要。PINN的结果表明,显式和隐式闭合模型都可以与流动求解器结合来解决稳态RANS问题。然而,当集成到传统的CFD求解器中时,它们的行为有显著差异。显式公式中,闭合模型直接预测雷诺力项并加到方程的右侧,在PINNs中提供了略微更好的精度,但会导致线性系统的条件数较差,从而在高雷诺数下放大数值误差(参考文献Wu, Xiao, Sun和Wang2019)。相比之下,隐式公式通过嵌入左侧的涡粘性矩阵来表示力,类似于传统的湍流模型。虽然在PINNs中产生的误差略高,但这种方法大大提高了数值稳定性和求解器的收敛性,使其更适合大规模CFD应用。因此,我们提出了双重策略:在PINN环境中使用显式力进行快速原型设计和精度研究,在实际CFD求解器中部署时采用隐式涡粘性形式,以确保稳定性和可扩展性。

5.4 将闭合模型与OpenFOAM集成
所提出的数据驱动湍流闭合模型与OpenFOAM中的稳态不可压缩RANS求解器simpleFoam进行了集成。计算域是顶部半部分($y\ge 0$),以避免中心线($y=0$)上的时间依赖性反对称模式。为了保证数值稳定性,我们采用了一种混合隐式/显式方法,同时使用了基线湍流模型来表示涡粘性,以及神经网络(NN)来表示残余雷诺力。基线湍流模型是Spalart–Allmaras(S–A)模型,它通过传输变量 $\tilde {\nu }$ 来表示涡粘性 $\nu _t$。稳态动量方程表示为(5.4):
$$
\boldsymbol{\nabla }\boldsymbol{\cdot }(\boldsymbol{U} \otimes \boldsymbol{U}) = -\boldsymbol{\nabla }p + \boldsymbol{\nabla }\boldsymbol{\cdot }\left [ (\nu + \nu _t)\boldsymbol{\nabla }\boldsymbol{U} \right ] + \boldsymbol{F}_{\textit{NN},
$$
其中 $\boldsymbol{F}_{\textit{NN}}$ 表示由NN预测的雷诺力修正项。这一项代表了基线S–A模型未捕捉到的雷诺应力的残差散度。$\tilde {\nu }$ 的传输方程保持不变,NN作为动量方程的附加修正项。由于圆柱体流动的近壁区域在雷诺数范围 $\textit{Re} \approx 300{-}300\,000$ 内保持层流状态,因此应用了一个预定义的壁阻尼函数来平滑地将NN的输出在壁处减少到零。阻尼函数选择为一个三次多项式(5.5):
$$
f(x) = \begin{cases} 3x^2 - 2x^3, & 0 \le x \le 1, \\ 1, & x > 1,
\end{cases}
$$
其中 $x = d/d^*$,$d$ 表示壁法向距离,$d^* = 0.1D$。NN的输入包括壁距离 $d$、归一化的涡粘性 $\tilde {\nu }/200\nu$ 以及平均速度梯度 $\partial U/\partial x$、$\partial U/\partial y$、$\partial V/\partial x$ 和 $\partial V/\partial y$。所有输入特征 $\eta$ 都使用(5.6)进行归一化:
$$
\hat {\eta }= \frac {\eta }{1 + |\eta |},
$$
以确保有界性和数值稳健性。NN输出两个雷诺力修正项 $\boldsymbol{F}_{\textit{NN}} = (F_x, F_y)$,这些修正项在半隐式方法(Semi-Implicit Method for Pressure Linked Equations)迭代中逐点应用。

图20. 比较了时间平均DNS、标准S–A模型、乘法S–A增强(简称$\beta$ NN)和残余雷诺力模型(简称力NN)之间的速度分量。在所示域内计算出的相对 $L_2$ 误差也与DNS数据进行了对比。NN参数是使用DAFoam提供的离散伴随框架进行训练的,该框架由He等人开发(参考文献He, Mader, Martins和Maki2020),它通过完全收敛的稳态RANS系统进行微分。目标函数惩罚了尾流区域内平均速度和总雷诺力场中的差异(5.7):
$$
\mathcal{J} = \sum _{i \in \varOmega _{\mathrm{1}}} \left \| \boldsymbol{U}_i - \boldsymbol{U}_i^{\textit{DNS}} \right \|^2 + \lambda \sum _{i \in \varOmega _{\mathrm{2}}} \left \| \boldsymbol{F}_{{NN},i} + \left [\boldsymbol{\nabla }\boldsymbol{\cdot }\left ( \nu _t\boldsymbol{\nabla }\boldsymbol{U} \right )\right ]_i - \boldsymbol{F}_i^{\textit{DNS}} \right \|^2,
$$
其中 $\varOmega _{\mathrm{1}}$ 表示整个计算域,$\varOmega _{\mathrm{2}}$ 表示尾流观察区域($x\in [1,4], y\in [0,2]$),排除了流动为层流的近壁区域。权重选择为 $\lambda =0.1$。离散伴随方法可以计算目标关于NN参数的导数,并使用BFGS方法来优化NN参数。提出的模型与基线S-A模型以及Holland、Baeder和Duraisamy(参考文献Holland, Baeder and Duraisamy2019)提出的最先进基于神经网络的S-A改进模型进行了比较。在这种改进模型中,神经网络预测了一个乘法修正因子$\beta (\boldsymbol{x})$,该因子应用于S-A方程的生产项,并且神经网络与求解器结合使用离散伴随方法进行训练。图21展示了时间平均DNS、标准S-A模型、乘法S-A改进模型(简称$\beta$ NN)以及残差雷诺力模型(简称力NN)之间的雷诺力分量比较。对于力NN方法,需要注意的是,雷诺力由残差雷诺力NN和底层S-A模型预测的涡粘性共同贡献。图中还显示了在所示域(完整域)以及尾流中的子域($x\gt 1$)内计算的相对$L_2$误差与DNS数据的对比。图20比较了基线S-A模型、乘法S-A改进模型($\beta$ NN)以及提出的雷诺力模型预测的时间平均速度分量与DNS的结果。基线S-A模型在近尾流区域存在明显的误差,特别是在速度亏缺和横向运动方面,这反映了涡粘性闭合方法的局限性。乘法S-A改进模型提高了平均速度预测的准确性,并减少了两个速度分量的相对$L_2$误差;然而,在循环区和剪切层仍然存在明显的差异。相比之下,雷诺力模型与DNS的结果最为接近,准确捕捉到了整个尾流中的流向恢复和横向速度分布。这一结果表明,通过学习到的雷诺力残差直接修正动量方程,使得求解器能够恢复仅靠涡粘性修正无法表示的流动特征。图21比较了从DNS、基线S-A模型、乘法S-A改进模型和雷诺力模型获得的雷诺力分量。基线S-A模型严重低估了两个力分量,特别是在分离流下游的近尾流区域。乘法S-A改进模型只有有限的改进效果,因为所得到的雷诺力仍然受到涡粘性假设的约束。雷诺力模型显著降低了$F_x$和$F_y$的误差,尤其是在尾流区域($x\gt 1$),那里的平均流动修正最为显著。尽管总雷诺力包含了基线S-A涡粘性和神经网络预测的残差的贡献,但结果表明,学习到的残差力对于恢复正确的力平衡是至关重要的。在当前的配置中,雷诺力预测的剩余误差约为50%,这主要是由于使用了一组简单且紧凑的输入特征集,限制了雷诺力神经网络的表现能力。通过遵循相同的建模策略丰富输入特征空间,可以进一步减少雷诺力预测的误差。这种通过特征设计的系统性改进在基于涡粘性的湍流模型中是无法实现的,这突显了直接雷诺力建模在圆柱流动中的优越表现能力。

6. 总结
我们首先使用流体动力学PIV、空气动力学PIV和基于谱元素的DNS/LES构建了一个全面的、经过交叉验证的圆柱流动过流数据集。雷诺数范围为$\textit{Re}=3900-100\,000$,涵盖了不可压缩和弱可压缩流动情况。数据集包括平均速度和雷诺应力。我们提出了一种基于物理的后期处理方法,以确保数据集满足连续性方程和动量方程。我们发现雷诺应力与雷诺数之间存在相似性,这为寻找数据驱动的湍流闭合模型提供了物理基础。该数据集也可用于验证CFD代码。随后,我们为不可压缩和弱可压缩流动制定了一个流动推断问题,其中利用了RANS方程的未闭合形式和域边界处的测量数据,通过PINNs推断出整个内部流场和雷诺力项。从经典数值分析的角度来看,这是一个欠定问题,因为控制RANS方程没有闭合,且域内部没有数据。然而,PINNs能够以满意的准确性推断出内部流场。我们还利用平均流速的边界数据,并通过PINN重构了流场,其中雷诺应力使用Helmholtz分解进行分解,并结合了尾流区域的湍流模型进行了增强。这些改进提高了推断的准确性。基于不同雷诺数下雷诺应力的相似性,我们构建了一个作为湍流闭合模型的神经网络,这是一个局部代数模型。我们在两个雷诺数下对其进行了训练,并在另外四个雷诺数上进行了测试。该模型展示了良好的泛化能力。我们将数据驱动的湍流闭合模型整合到了前向PINN求解器中。测试了两种模型,一种是显式的,另一种是隐式的。结果表明,显式模型的准确性高于隐式模型,并且可以显著提高平均速度和雷诺力向量的准确性。我们还将数据驱动的湍流闭合模型整合到了数值求解器OpenFOAM中。采用了混合隐式/显式建模策略以保证数值稳定性,并使用离散伴随方法来训练与求解器结合的神经网络。结果显示,所提出的数据驱动湍流闭合方法在预测平均流动统计量和雷诺力分布方面始终优于基线S-A模型和最先进的数据驱动湍流闭合模型,证明了其在实际圆柱流动RANS模拟中的有效性和鲁棒性。总之,使用现有模型(如S-A模型)模拟圆柱流动得到的相对误差(与时间平均DNS相比)约为100%。本文提出的基于稀疏数据的数据驱动闭合方法将雷诺力的误差减少了大约一半。

致谢
K.S. 感谢伦敦帝国理工学院的G. Rigas就RANS的湍流增强模型进行了宝贵的讨论。

资助
本研究主要由国防高级研究计划局(DARPA)在自动化预测辅助量化模拟器(APAQuS)项目下资助,项目编号为HR00112490526。此外,还通过名为“支持MURI研究及更多领域的GPU集群用于神经偏微分方程和神经运算符”的项目提供了额外支持,项目编号为FA9550-23-1-0671。

利益声明
作者声明没有利益冲突。

作者贡献
Z.Z.、K.S.、Z.W.、A.M.和T.K.对这项工作做出了同等贡献。

附录A. 使用熵粘性方法验证NEkRS与现有实验数据的对比
图22比较了Re = 140,000时nekRS得到的圆柱流动结果与实验数据。图中比较了圆柱跨度方向上的不同域长度、沿圆柱跨度的不同元素数量以及SEM中的不同多项式阶数。图22(a)显示了尾流中心线的平均速度分量$U/U_\infty$。图22(b)显示了流向位置$x/D=1$处的雷诺应力分量$\overline {u'u'}/U_\infty ^2$。图22(c)显示了圆柱上的平均压力系数分布。结果显示,NEkRS结合EVM LES闭合方法能够准确捕捉高雷诺数不可压缩圆柱流动的平均流动和湍流统计特性。

附录B. 不可压缩RANS的流动推断
图23显示了在$\textit{Re}=11\,000$下不可压缩圆柱流动的流动推断问题的训练历史。图中展示了训练损失、测试误差、学习率以及变化的权重$\lambda _{\textit{PDE}}$。在训练过程中,PDE权重逐渐从$0.01$增加到$1$,PDE损失大约降低了5个数量级。数据损失也减少了3个数量级以上。图24显示了最后一个训练周期的连续性、x-动量和y-动量方程的最终残差。在训练阶段,残差的幅度得到了充分降低,分布均匀,没有出现大尺度结构,表明PDE在训练过程中得到了很好的满足。需要注意的是,数据已经过校正以满足控制方程,因此数据和PDE之间没有冲突。图25显示了最后一个训练周期的连续性、x-动量和y-动量方程的最终RBA权重。这些权重是基于当前和历史残差分布计算得出的。RBA的思想是在训练期间根据PDE残差值控制PINN残差点的局部权重。

图22. 在$\textit{Re}=140\,000$时,通过模拟静止圆柱过流来验证NEkRS实现的EVM。注意$L$表示圆柱的长度,N表示沿圆柱长度的元素数量,P表示谱元素的多项式阶数,具体来说,L2N24 P6意味着圆柱长度为$2D$,沿圆柱的元素数量为24,SEM多项式阶数为6。相应的实验测量由Cantwell和Coles(参考文献Cantwell and Coles1983)进行。在模拟中,我们使用了EVM的$\alpha =0.1$和$\beta =0.5$。(a) 不同分辨率下中心线($y=0$)处的平均流向速度$(U)$。(b) 不同分辨率下$x/D=1$处的雷诺应力$(u^{\prime }u^{\prime }$。(c) 沿圆柱表面的局部压力系数$(C_P)$。

图23. 在$\textit{Re}=11\,000$下不可压缩圆柱流动的训练历史。(a) 显示了训练损失和学习率,(b) 显示了测试误差(相对$L_2$)和PDE损失权重$\lambda _{\textit{PDE}}$($L_{\textit{total}}=L_{\textit{data}}+\lambda _{\textit{PDE}}$)。

图24. 在$\textit{Re}=11\,000$下不可压缩圆柱流动的最终PDE残差。显示了最后一个训练周期的连续性方程、x-动量方程和y-动量方程的残差。

图25. 在$\textit{Re}=11\,000$下不可压缩圆柱流动的最终RBA权重。显示了最后一个训练周期的连续性方程、x-动量方程和y-动量方程的RBA权重。这些权重用于根据当前和历史PDE残差在训练期间控制PDE损失函数中不同残差点的相对重要性。

图26–28展示了表4和表5中列出的流动推断问题的一些关键图表。图26. 在$\textit{Re}=140\,000$下不可压缩圆柱流动的流动推断。第一列显示参考值,第二列显示PINN重构结果,最后一列显示逐点误差。参考数据是经过校正的时间平均LES。预测仅使用域边界处的可测量数据$U,V,F_x,F_y$通过PINN获得。第三列显示了误差分布和相对$L_2$误差。

图27. 在$\textit{Re}=50\,000$下弱可压缩圆柱流动的流动推断。第一列显示参考值,第二列显示PINN重构结果,最后一列显示逐点误差。参考数据是经过校正的时间平均空气动力学PIV。预测仅使用域边界处的可测量数据$U,V,F_x,F_y$通过PINN获得。第三列显示了误差分布和相对$L_2$误差。

图28. 在$\textit{Re}=11\,000$下不可压缩圆柱流动的流动推断。第一列显示参考值,第二列显示PINN重构结果,最后一列显示逐点误差。参考数据是经过校正的时间平均DNS。预测仅使用域边界处的可测量数据$U,V,F_x,F_y$以及$5\times 5$内部点通过PINN获得。第三列显示了误差分布和相对$L_2$误差。

附录C. 用于流动推断的Helmholtz分解和湍流模型
C.1. 带有Helmholtz分解的RANS方程
将(4.3)中所示的雷诺力Helmholtz分解代入(2.1)中,得到(Patel等人)。参考 Patel, Mons, Marquet 和 Rigas (2024) (C1):
$$
\begin{align}
\begin{aligned}
U \frac{\partial U}{\partial x} + V \frac{\partial U}{\partial y} + \frac{1}{\rho} \frac{\partial (P-\phi)}{\partial x} - \nu \left(\frac{\partial^2 U}{\partial x^2} + \frac{\partial^2 U}{\partial y^2}\right) - F_{s, x} &= 0 \\
U \frac{\partial V}{\partial x} + V \frac{\partial V}{\partial y} + \frac{1}{\rho} \frac{\partial (P-\phi)}{\partial y} - \nu \left(\frac{\partial^2 V}{\partial x^2} + \frac{\partial^2 V}{\partial y^2}\right) - F_{s, y} &= 0 \\
\frac{\partial F_{s, x}}{\partial x} + \frac{\partial F_{s, y}}{\partial y} &= 0 \\
\frac{\partial U}{\partial x} + \frac{\partial V}{\partial y} &= 0.
\end{aligned}
\end{align}
$$
C.2. 带有亥姆霍兹分解并增加了湍流模型的RANS方程
我们根据Spalart和Allmaras的提议(参考文献Spalart and Allmaras 1992),通过为尾流区域量身定制的湍流模型来增强控制的PINN公式。增强后的方程组表示为(C2):
$$
\begin{align}
\begin{aligned}
U \frac{\partial U}{\partial x} + V \frac{\partial U}{\partial y} + \frac{1}{\rho} \frac{\partial (P-\phi)}{\partial x} - \frac{\partial[2(\nu + \nu_t) S_{xx}]}{\partial x} - \frac{\partial[2(\nu + \nu_t) S_{xy}]}{\partial y} - F_{s, x} &= 0 \\
U \frac{\partial V}{\partial x} + V \frac{\partial V}{\partial y} + \frac{1}{\rho} \frac{\partial (P-\phi)}{\partial y} - \frac{\partial[2(\nu + \nu_t) S_{xy}]}{\partial x} - \frac{\partial[2(\nu + \nu_t) S_{yy}]}{\partial y} - F_{s, y} &= 0 \\
\frac{\partial F_{s, x}}{\partial x} + \frac{\partial F_{s, y}}{\partial y} &= 0 \\
\frac{\partial U}{\partial x} + \frac{\partial V}{\partial y} &= 0 \\
U \frac{\partial\nu_t}{\partial x} + V \frac{\partial\nu_t}{\partial y} + c_{b1} S\nu_t + \frac{1}{\sigma} \left[\boldsymbol{\nabla}\boldsymbol{\cdot}(\nu_t \boldsymbol{\nabla}\nu_t) + c_{b2} (\boldsymbol{\nabla}\nu_t)^2\right] &= 0,
\end{aligned}
$$
其中
$$
S_{xx} = \frac{\partial U}{\partial x}, \, S_{yy} = \frac{\partial V}{\partial y},
$$
$$
S_{xy} = \frac{1}{2} \left(\frac{\partial U}{\partial y} + (c \frac{\partial V}{\partial x}\right)
$$
是平均应变率张量分量,
$$
S = ||\omega||
$$
是涡度,表示为
$$
\omega = \left(\frac{\partial V}{\partial x}\right) - \left(\frac{\partial U}{\partial y}\right),
$$
$c_{b1}$, $c_{b2}$ 和 $\sigma$ 是经验湍流常数,取自Spalart和Allmaras(参考文献Spalart and Allmaras 1992),分别为
$$
c_{b1} = 0.1355, \, c_{b2} = 0.622, \quad \sigma = \frac{2}{3}.
$$
图29. 利用RANS方程和亥姆霍兹分解以及Spalart和Allmaras提出的尾流区域湍流模型的PINN架构(参考文献Spalart and Allmaras 1992)。
图30. 使用DNS边界数据($\textit{Re}=3900$)以及(C2)描述的亥姆霍兹分解和湍流增强模型得到的(a) $U$, (b) $V$, (c) $F_x$, (d) $F_y$ 的值。每个子图中的左、中和右面板分别显示了参考流场(使用SEM计算)、PINN推断的流场和绝对逐点误差。观察到,使用湍流增强模型(C2)重构的流场比标准RANS方程和带有亥姆霍兹分解加权的RANS方程预测的流场具有更高的准确性——除了$F_x$。
(a) 参考(SEM)与推断(PINN)$(U)$,相对$L_2$误差:0.83%;
(b) 参考(SEM)与推断(PINN)$(V)$,相对$L_2$误差:4.00%;
(c) 参考(SEM)与推断(PINN)$(F_x)$,相对$L_2$误差:22.66%;
(d) 参考(SEM)与推断(PINN)$(F_y)$,相对$L_2$误差:23.85%。
使用(C2)的PINN架构和损失函数如图29所示。图30展示了流场推断结果,其中子图(a), (b), (c)和(d)分别对应$U$, $V$, $F_x$, $F_y$。每个子图中的左、中和右面板分别表示参考流场(使用SEM计算)、PINN推断的流场和绝对逐点误差。表6提供了相对$L_2$误差指标。值得注意的是,使用湍流增强模型(C2)重构的流场比标准RANS方程和带有亥姆霍兹分解加权的RANS方程预测的流场具有更高的准确性——除了$F_y$。这种差异可能是由于湍流模型在尾流区域的准确性有限。
图31. 在$\textit{Re}=11\,000$时弱可压缩非稳态流的流场推断。第一列显示参考值,第二列显示PINN重构结果,最后一列显示逐点误差。参考数据是校正后的相位平均航空PIV数据。预测是使用初始时刻、域边界和一个内部点的可测量数据$U,V,F_x,F_y$通过PINN获得的。推断出时空变化的解,并显示了一个Strouhal周期中间的快照。第三列显示了误差分布和相对$L_2$误差。
附录D. 从相位平均PIV数据中推断非稳态流
上述流场推断框架可以通过将时间作为神经网络的额外输入自然扩展到非稳态流。在本节中,我们使用常见的周期性脱落尾流的实验测量数据中的相位平均非稳态数据来演示这种扩展。我们考虑$\textit{Re}=11\,000$时的非稳态圆柱尾流。参考数据是跨越一个脱落周期的校正后的相位平均航空PIV测量结果。在训练之前,数据使用结合了时空滤波的程序进行平滑,并使用本工作中早先描述的方法进行校正。神经网络的输入扩展到$(x,y,t)$,网络输出时间依赖的场$(U,V,P,F_x,F_y)$。控制方程是具有未闭合雷诺力矢量的非稳态不可压缩RANS方程,通过全局时空域的PDE损失来实施。训练策略与稳态情况非常相似,包括数据和PDE损失之间的自适应加权以及使用RBA来加速收敛。数据损失仅使用可测量量来施加。具体来说,提供了所有时间的相位平均速度分量$(U,V)$和雷诺力分量$(F_x,F_y)$在域边界,以及脱落周期开始时的初始条件。此外,数据损失中还包括一个内部点以进一步约束解。网络没有接收压力数据。
图31展示了在一个Strouhal周期中点推断出的非稳态流的代表性快照。PINN仅使用稀疏测量和控制方程作为物理正则化,成功重构了整个域中的空间和时间变化的速度、压力和力场。结果表明,所提出的框架能够从有限的相位平均实验数据中推断出非稳态流动动态。
脚注:
?这些作者对这项工作贡献相同。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号