[論文レビュー] Machine-learning wall model of large-eddy simulation for low- and high-speed flows over rough surfaces

Rong Ma, Adrián Lozano-Durán|arXiv (Cornell University)|Jan 28, 2026

Fluid Dynamics and Turbulent Flows被引用数 0

ひとこと要約

この論文は、DNSデータで訓練され、不確かさの定量化とsubsonicからhypersonicフローにわたるWMLES検証を備えた、compressibilityと不規則な粗さを組み込んだLES向けのBFWM-rough-v2というニューラルネット wall modelを開発します。

ABSTRACT

We present a wall model for large-eddy simulation that incorporates surface-roughness effects and is applicable across low- and high-speed flows, for both transitional and fully rough conditions. The model, implemented using an artificial neural network, is trained on a direct numerical simulation database of compressible turbulent channel flows over rough walls. The dataset contains 372 cases spanning a wide range of irregular roughness topographies, including Gaussian and Weibull distributions, Mach numbers 0~3.3, and friction Reynolds numbers 180~2000. We employ an information-theoretic, dimensionless learning method to identify the inputs with the highest predictive power for the dimensionless wall friction and wall heat flux. Predictions are accompanied by a confidence score derived from a spectrally normalized neural Gaussian process, which quantifies uncertainty in regions that deviate from the training dataset. The model performance is first evaluated a-priori on 110 turbulent channel flow cases, yielding prediction errors below 4%. The model is assessed a-posteriori in wall-modeled large-eddy simulations across diverse test cases. These include over 160 subsonic and supersonic turbulent channel flows with rough walls, a transonic high-pressure turbine (HPT) blade with Gaussian roughness, a high-speed compression ramp with sandpaper roughness, and three hypersonic blunt bodies with sand-grain roughness. Results show that the proposed wall model typically achieves a-posteriori predictive accuracy within 10% for wall shear stress and within 15% for wall heat flux, with high confidence in the channel flows and HPT blade cases. In the rough-wall compression ramp and hypersonic blunt bodies, the model captures the heating augmentation with errors ranging 0%~20%. In the cases with the highest errors, the reduced performance is correctly detected by a drop in the confidence score.

研究の動機と目的

• 粗さ壁流におけるMach regime横断でwall shear stressとheat fluxの正確な予測を動機づける。
• compressibilityと表面粗さを組み込んだbuilding-block flowsに基づくウォールモデルを開発する。
• 壁フラックスの予測力を保つ最小限の次元なし入力セットを同定する。
• 訓練データの類似性にリンクした信頼度スコアで予測不確かさを定量化する。
• channel、タービンブレード、 ramp、hypersonic bodyを含む多様なテストケースで WMLES の性能を実証する。

提案手法

• AN artificial neural network-based wall model (BFWM-rough-v2) を訓練して、dimensionless wall shear stressとwall heat fluxを予測する。
• 二つのFNNアーキテクチャを用いる：ANN_tau_wはwall shear stress、ANN_q_wはwall heat flux。
• wallとfirst off-wall quantitiesに加えて統計的粗さパラメータからdimensionless inputsを構築する。
• 情報理論に基づく、dimensionless learning法を適用して最も予測力の高い入力を選択する。
• Spectral-normalized Neural Gaussian Process (SNGP) を統合して予測の信頼度スコアを提供する。
• GaussianとWeibull roughnessを持つ incompressible and compressible rough-wall channel flowsを含むDNSデータベースで訓練する。

実験結果

リサーチクエスチョン

• RQ1 単一のウォールモデルがsubsonic、transonic、supersonic regimesを横断して粗さ壁のwall frictionとheat transferを信頼性高く予測できるか？
• RQ2 データ駆動ウォールモデルに粗さトポロジーを組み込みつつ、一般化性を維持するにはどうするか？
• RQ3 WMLESで rough-wall flowsのwall fluxesを正確に予測するために必要な最小のdimensionless inputsは何か？
• RQ4 訓練分布 outsideの領域でモデルの不確かさをどのように定量化し伝えるか？

主な発見

• BFWM-rough-v2は110件の乱流チャネル流の事前予測誤差を4%未満に抑える。
• WMLESでは、モデルは多様なテストケースで wall-shear-stress の精度を概して10%内、wall-heat-fluxの精度を15%内に提供する。
• 粗さ-wall圧縮ランプおよびhypersonic blunt bodiesでの加熱増強は0–20%の誤差で把握される。
• チャネルおよび HPT bladeケースで高い信頼度を提供する一方、難易度が高い領域で信頼度スコアの低下により性能の低下を検出する。
• SNGPによる信頼度スコアは、訓練データが代表的でない領域の不確かさを定量化する。