顶盖驱动腔体内两反向旋转圆柱混合对流换热的机器学习代理模型

《International Communications in Heat and Mass Transfer》:Machine learning surrogate models for mixed convection heat transfer in a lid-driven cavity with two counter-rotating cylinders

【字体: 大 中 小 】 时间:2026年09月21日 来源:International Communications in Heat and Mass Transfer 6.2

编辑推荐:

   摘要 本研究首次针对含双反向旋转圆柱的盖板驱动方腔混合对流换热问题开展了机器学习代理模型研究。利用 ANSYS Fluent 生成了一套系统设计的1961组高保真 CFD 仿真数据集,覆盖物理有效的层流区域(Re≤1,000, Ri≤10, ?≤100),并与已发表基准结果

  

摘要

本研究首次针对含双反向旋转圆柱的盖板驱动方腔混合对流换热问题开展了机器学习代理模型研究。利用 ANSYS Fluent 生成了一套系统设计的1961组高保真 CFD 仿真数据集,覆盖物理有效的层流区域(Re≤1,000, Ri≤10, ?≤100),并与已发表基准结果进行了验证(最大相对误差3.5%)。直接以三个主控无量纲输入为特征,训练了四种代理架构(多层感知机 MLP、随机森林、XGBoost 和 高斯过程回归 GPR)。采用 ARD Matérn-5/2 核的 GPR 模型达到 R2=0.9999、平均相对误差0.21%。ARD 分析表明,Richardson 数为主导预测因子(重要性51.0%),其次为 Reynolds 数(29.8%),与混合对流的控制方程一致。基于无量纲参数和网格坐标训练的空间场代理模型可重建温度场(R2=0.994)和水平速度场(R2=0.939),从而无需额外 CFD 计算即可进行等温线和流线可视化。对三个超出训练边界的参数组合进行的超范围测试,相对误差为0.04%–10.51%;三组结果均落在 GPR ±2σ 置信带内。所有代理模型均优于此前针对类似单圆柱配置报告的最佳模型(R2≈0.82)。

引言

盖板驱动腔体中的混合对流换热是计算流体力学和热工程中的经典问题,应用范围涵盖电子冷却、太阳能系统、材料加工及化工反应器等 [1], [2]。Ghia 等人 [3] 和 De Vahl Davis [4] 的基础数值研究建立了盖板驱动和自然对流方腔的高精度参考解,至今仍被广泛用作基准。Moallemi 和 Jang [5] 在盖板驱动构型中表征了强制对流(由施加的剪切驱动)与浮力驱动自然对流同时作用的混合区域,量化了 Prandtl 数对主导对流机制的影响;Sharif [6] 针对具有差动加热壁面的倾斜构型进行了研究。Richardson 数 Ri=Gr/Re2 是表征对流主导区域之间过渡的标志性参数,其变化导致换热对主控参数产生强非线性依赖 [7]。

在腔体内引入旋转圆柱进一步增加了复杂性:圆柱旋转产生局部涡旋结构,与盖板驱动的剪切层及浮力驱动的循环流相互作用,提供了一种无需改变腔体几何形状即可调控换热的被动机制。Khanafer 和 Aithal [8] 首次研究了差动加热方腔中单个旋转圆柱的构型,建立了旋转速度和方向均显著改变局部及平均 Nusselt 数分布的结论。Khanafer 等人 [7] 将该构型扩展至双反向旋转圆柱,证明了竞争涡对创建的强制对流与自然对流之间的复杂相互作用无法仅从单圆柱结果推断;他们对 Re、Ri 和旋转速度 ? 的系统参数化结果构成了本研究的主要验证基准。Selimefendigil 和 Oztop [2] 研究了相同的圆柱双柱几何构型,采用磁流体填充,报告了磁场-磁流体耦合导致的换热显著增强。近年来的研究从多个方向扩展了该构型:纳米流体填充及磁场效应 [9], [10], [11]、双旋转圆柱中的纳米封装相变材料 [12]、旋转圆柱、纳米流体和外加磁场效应联合的换热增强 [13],以及含双旋转圆柱的 Z 形腔中焦耳加热磁流体动力耦合混合对流 [14]。这些研究共同确认了物理机制的丰富性,但也说明了参数组合的爆炸式增长:仅通过直接 CFD 仿真系统地表征完整的 Re–Ri–? 空间在计算上是不切实际的。

这种计算成本促使了数据驱动代理模型的开发:机器学习近似模型,训练于一组有限的高保真 CFD 解,可在毫秒级而非小时级时间内预测新参数组合下的热性能。Brunton 等人 [1] 综述了流体力学中的机器学习方法,围绕三个主要范式组织文献:代理建模、降阶建模和物理信息神经网络。代理建模在热腔体流中已获得越来越多的应用:Sikirica 等人 [15] 开发了用于微通道热沉优化的随机森林和梯度提升代理,并展示了基于 SHAP 的特征重要性与物理直觉一致;Morozova 等人 [16] 应用梯度提升和高斯过程回归从通风围护结构的稀疏传感器观测中预测热和流量参数;Fardin 等人 [17] 为含导热圆柱的盖板驱动腔中 Ri∈[0.1,10] 的混合对流训练了神经网络代理,与直接 CFD 相比计算时间减少82%;Morshed 等人 [18] 结合 CFD 和人工神经网络模型,表征了通风腔中动态流动调制下含旋转圆柱的混合对流。Nanthakumar [19] 综述了针对盖板驱动腔体流的机器学习方法更广阔的领域。在代理架构中,高斯过程回归 [20] 尤其受到工程应用的青睐,因为它提供了完整的概率后验(预测均值和校准的不确定性估计),使实践者能够确定需要额外 CFD 精化的参数区域。

物理信息机器学习提供了一条互补方向,即将控制方程的知识直接嵌入学习框架中。Raissi 等人 [21] 引入了物理信息神经网络(PINNs)用于涉及非线性偏微分方程的正向和反向问题,Karniadakis 等人 [22] 随后确立了物理信息 ML 作为连接经典数值方法和现代深度学习的统一范式。Peng 等人 [23] 将物理信息图卷积神经网络应用于包含多旋转圆柱配置的流体流动和热对流问题,报告预测误差低于2%。本研究未在训练目标中嵌入微分算子(代理仅从离散 CFD 解中学习),但通过特征工程纳入了物理知识:无量纲 Reynolds 数和 Richardson 数由原始物理参数计算得到,并显式作为模型输入提供,将主导控制组直接编码到特征空间中。

尽管针对盖板驱动腔体流的 ML 代理研究工作不断增多,但尚未报告涵盖 Khanafer 等人 [7] 双圆柱构型完整三维参数空间的系统代理研究。单圆柱对应构型已由 Kokash 等人 [24] 处理,他们证明随机森林代理在标量 Nusselt 数预测中达到 R2≈0.82,近期由 Khanafer [25] 针对相同几何构型进行了流场和热场预测。从单圆柱到双反向旋转圆柱的扩展引入了本质新的物理:竞争涡对创建了强制对流与自然对流之间更丰富的耦合,使代理泛化成为一个非平凡的科学问题。据作者所知,此前未有针对本研究双圆柱构型的机器学习代理研究报道。本研究通过对 Khanafer 等人 [7] 双圆柱构型的系统代理研究填补了这一空白。生成了一套涵盖物理有效层流区域(Re≤1,000, Ri≤10, ??≤100)的 CFD 仿真系统数据集,并与已发表基准在3.5%以内进行了验证。使用三个主控无量纲输入直接训练并比较了四种代理架构,即多层感知机(MLP)、随机森林、XGBoost [26] 和 高斯过程回归 [20]。评估了代理精度、特征重要性、空间场重建和超范围泛化,并与 Kokash 等人 [24] 此前单圆柱代理进行了直接比较。

章节摘要

物理问题描述

图1展示了所研究物理构型的示意图。该问题由一个边长为 H 的二维方腔组成,腔内填充空气(Pr=0.7),包含两个等半径 r?=0.1H 的绝缘圆形圆柱。圆柱沿腔体水平中线对称布置,圆心分别位于 (0.25H, 0.5H) 和 (0.75H, 0.5H),圆心间距为0.5H。腔体左壁维持在

求解器与离散化

在给定边界条件下,使用商业有限体积求解器 ANSYS Fluent 2025 R2 求解控制方程。采用 SIMPLE(压力-速度耦合的半隐式方法)算法进行压力-速度耦合。对流项在动量方程和能量方程中均采用二阶迎风离散格式,扩散项采用中心差分。启用 Boussinesq 密度模型以考虑

参数化研究设计

代理训练数据集通过系统地变化三个无量纲主控参数的离散水平组装而成:Reynolds 数 Re 跨越24个离散水平,Richardson 数 Ri 跨越39个离散水平,圆柱角速度 ? 跨越18个离散水平(1–100)。仅同时满足 Re≤1,000 和 Ri≤10 的组合对应与控制方程一致的稳态层流,因此进行了仿真。共产生1961组 CFD

特征工程与输入预处理

三个主控参数(Reynolds 数 Re、Richardson 数 Ri 和圆柱角速度 ?)在数据集中跨越多个数量级。每个参数均映射到其以10为底的对数,以压缩动态范围并使所有输入处于可比较的尺度上,适用于基于距离和基于梯度的学习算法:
x = [log??(Re), log??(Ri), log??(?)]
该三维输入空间是非冗余的:Re、Ri 和 ? 是直接出现在控制方程中的独立无量纲组。

总体预测性能

表6列出了所有四种代理模型的测试集性能指标。四种模型均满足工程精度标准 MRE<10%,确认代理方法在双圆柱混合对流构型中是可行的。GPR 按 R2 和 MRE 为最准确模型,达到 R2=0.9999 和 MRE 0.21%。XGBoost 为第二优模型(R2=0.9965, MRE 1.20%)。MLP 达到 R2=0.9984,MRE 1.49%。随机森林为最不准确模型(R2=0.9697, MRE 2.32%)。

结论

本研究首次针对含双反向旋转圆柱的盖板驱动方腔中混合对流换热问题开展了机器学习代理模型研究,遵循 Khanafer 等人 [7] 的基准构型。系统地生成了一套覆盖物理有效层流区域(Re≤1,000, Ri≤10, ?≤100)的 CFD 仿真数据集,跨越 Reynolds 数 Re、Richardson 数 Ri 和圆柱角速度 ? 的三维参数空间。

局限性

所有代理仅在训练参数范围内有效(Re∈[1,1000], Ri∈[10??,10], ?∈[1,100] rad/s)。场代理捕捉了主导流动结构,但在混合对流区域平滑了精细涡旋细节,而该区域的控制物理最为复杂。本研究限于二维、稳态、层流假设;湍流和非定常效应不在本文范围内。训练好的代理在更强的意义上也是问题特定的:

未来工作

本研究衍生出多个扩展方向。对 CFD 模型进行独立验证,无论是针对此构型的实验测量还是与独立实现的求解器对比,都将进一步增强第3.4节报告的验证,是后续工作的优先事项。物理信息神经网络 [21], [22] 代表了场重建的一个有前途的方向:通过将 Navier-Stokes 方程和能量方程直接嵌入损失函数,PINN

作者贡献声明
Hussein Kokash:撰写—初稿,可视化,软件,方法学,调查,形式化分析,数据整理。
Khalil Khanafer:撰写—审阅与编辑,撰写—初稿,验证,监督,调查,概念化。
Mihai Burzo:撰写—审阅与编辑,监督。

利益冲突声明
作者声明他们不存在已知的 competing 经济利益或个人关系,这些关系可能被认为会影响本文所报告的工作。

致谢
作者衷心感谢密歇根大学弗林特分校提供的计算资源。

Hussein Kokash | Khalil Khanafer | Mihai Burzo
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