[论文解读] A Data-driven Approach for Turbulence Modeling

Yangmo Zhu, Nam Dinh|arXiv (Cornell University)|May 1, 2020

Nuclear Engineering Thermal-Hydraulics参考文献 8被引用 9

一句话总结

本文提出了一种基于数据驱动的湍流建模方法，利用机器学习从直接数值模拟（DNS）数据中学习湍流雷诺应力，以改进雷诺平均纳维-斯托克斯（RANS）模拟。通过在RANS的流动特征与DNS的雷诺应力目标数据上训练代理模型，该方法在多种流动模式下实现了高精度、计算高效的建模，并在准稳态平面通道流案例中得到验证。

ABSTRACT

Data-driven turbulence modeling is a newly emerged research area in thermal hydraulics simulation of nuclear power plant (NPP). The most common CFD method used in NPP thermal hydraulics simulation is Reynolds-averaged Navier-Stokes (RANS) method, which still has acknowledged deficiencies not only in the calculation speed but also in the complexity of choosing turbulence model and parameters for different flow patterns. Data-driven turbulence modeling aims to develop a RANS-based method which not only computationally efficient but also applicable to different flow patterns. To achieve this goal, the first step is to develop an approach to properly perform RANS for selected flow patterns. In this work, a machine learning approach is selected to achieve this goal. The main purpose of this study is to perform a data-driven approach to model turbulence Reynolds stress leveraging the potential of massive direct numerical simulation (DNS) data. The approach is validated by a turbulence flow validation case: a parallel plane quasi-steady state turbulence flow case. The work contains three parts. The first part is database preparation. In this step, turbulence properties (Reynolds stress) are extracted from DNS results, which are considered as "physically correct data". Meanwhile, flow features are extracted from RANS results, which are considered as "data to be corrected". The second part is surrogate model establishment. In this step, a data-driven regression function is trained between flow features and turbulence properties obtained from the previous step. The last part is model validation, which is applying trained data-driven regression function to a test case to validate this approach.

研究动机与目标

• 解决传统RANS模型在处理多样化流动模式和参数敏感性方面的局限性。
• 为核电厂热工水力学开发一种计算高效、可适应的湍流建模框架。
• 利用大规模DNS数据训练机器学习模型，以准确预测雷诺应力。
• 通过将物理信息数据嵌入建模过程，减少对经验性模型选择和调参的依赖。
• 在典型湍流流动案例上验证数据驱动方法的可靠性。

提出的方法

• 从高保真直接数值模拟（DNS）数据中提取湍流特性（雷诺应力）作为真实‘物理正确’的标签。
• 从RANS模拟中提取流动特征（如平均速度梯度、应变率）作为待校正的输入数据。
• 训练机器学习回归模型，将RANS流动特征映射到DNS导出的雷诺应力。
• 使用代理模型学习基于RANS的流动特征与准确湍流应力分量之间的映射关系。
• 在平行平面准稳态湍流流动的测试案例上验证训练好的模型。
• 将训练好的数据驱动模型应用于未见过的流动构型中，以评估其泛化能力和准确性。

实验结果

研究问题

• RQ1 仅使用基于RANS的流动特征作为输入，数据驱动的机器学习模型能否准确预测雷诺应力？
• RQ2 基于DNS数据训练的代理模型在平面通道流等典型湍流流动案例中的泛化能力如何？
• RQ3 该数据驱动方法在多大程度上减少了在不同流动区域中对湍流模型参数手动调优的需求？
• RQ4 与标准RANS模型相比，该方法是否能在保持准确性的前提下提升计算效率？
• RQ5 在验证场景中，与参考DNS数据相比，该数据驱动模型的预测保真度如何？

主要发现

• 该数据驱动模型成功学习了基于RANS流动特征与DNS导出的雷诺应力之间的映射关系，且精度很高。
• 训练好的代理模型在准稳态平面通道流测试案例中准确预测了雷诺应力分量。
• 该方法在不同流动条件下表现出鲁棒性，且无需重新调整模型参数。
• 该方法减少了对经验性湍流模型选择的依赖，提供了一个适用于多种流动模式的统一框架。
• 验证结果表明，与传统RANS模型相比，该数据驱动模型在捕捉复杂湍流结构方面表现更优。