[论文解读] An Artificial Compressibility Ensemble Timestepping Algorithm for Flow Problems

Joseph A. Fiordilino, Michael McLaughlin|arXiv (Cornell University)|Dec 18, 2017

Fluid Dynamics and Turbulent Flows参考文献 5被引用 3

一句话总结

该论文提出了一种人工可压缩性集合（ACE）时间推进算法，通过人工可压缩性和IMEX分裂方法解耦速度、压力和温度的求解过程，实现了在CFL型条件下的首阶收敛性和非线性能量稳定性。该方法通过在集合成员间重用恒定的系数矩阵，降低了计算成本和存储需求，显著提升了层流区域中集合流场模拟的效率。

ABSTRACT

Ensemble calculations are essential for systems with uncertain data but require substantial increase in computational resources. This increase severely limits ensemble size. To reach beyond current limits, we present a first-order artificial compressibility ensemble algorithm. This algorithm effectively decouples the velocity and pressure solve via artificial compression, thereby reducing computational complexity and execution time. Further reductions in storage and computation time are achieved via a splitting of the convective term. Nonlinear energy stability and first-order convergence of the method are proven under a CFL-type condition involving fluctuations of the velocity. Numerical tests are provided which confirm the theoretical analyses and illustrate the value of ensemble calculations.

研究动机与目标

• 为解决流体动力学中具有不确定参数的大规模集合模拟所面临的高计算成本和内存需求问题。
• 开发一种时间推进算法，以降低复杂度和执行时间，同时保持集合流场问题的精度。
• 通过人工可压缩性解耦速度、压力和温度求解过程，实现在不牺牲网格分辨率的前提下支持更大集合规模。
• 在依赖速度波动的CFL型条件下，证明非线性能量稳定性与首阶收敛性。
• 通过数值实验验证理论分析，展示该方法的有效性。

提出的方法

• 该方法采用IMEX（隐式-显式）时间离散化，以解耦非线性对流项，从而在集合成员间实现共享系数矩阵。
• 通过在连续性方程中增加惩罚项 $ \epsilon p_t $ 引入人工可压缩性，将鞍点问题转化为带梯度-散度稳定化的对流-扩散问题。
• 速度、压力和温度方程完全解耦：速度和温度求解对流-扩散系统，而压力通过速度散度的代数更新获得。
• 对流项被拆分为集合均值与波动分量：$ u \cdot \nabla u = \langle u \rangle \cdot \nabla u + u' \cdot \nabla u $，确保集合成员间矩阵不变性。
• 推导出依赖于速度场波动的CFL型稳定性条件，该条件限制了方法在层流流动中的适用性。
• 该算法在半隐式、首阶时间推进框架中实现，空间离散化应用于所得线性系统。

实验结果

研究问题

• RQ1 人工可压缩性能否与集合时间推进有效结合，以降低流场模拟中的计算复杂度和存储需求？
• RQ2 所提出的ACE算法是否在依赖速度波动的CFL型条件下实现首阶收敛性和非线性能量稳定性？
• RQ3 速度、压力和温度求解的解耦在多大程度上降低了计算成本，并实现了更大集合规模的支持？
• RQ4 该方法在不同瑞利数和初始条件扰动下的精度与可预测性表现如何？
• RQ5 为何压力的平均有效李雅普诺夫指数变为负值，而方差却增加？这对可预测性有何影响？

主要发现

• 数值结果验证了速度、温度和压力的首阶收敛性，观测到的收敛率与理论预测一致。
• 压力误差的收敛速率比理论预测高出半阶，表明压力近似具有更高的精度。
• 集合平均值保持接近无扰动解，而扰动解在瑞利数增大时显著发散，尤其在速度和压力上表现明显。
• 随着瑞利数的增加，方差增大，表明速度和压力预测的不确定性增强，而温度仍保持相对可靠。
• 平均有效李雅普诺夫指数随时间和瑞利数增加，表明速度和温度的可预测性下降，但压力的指数变为负值，表明其可预测性随时间增强。
• 随着瑞利数增加，$ \delta $-可预测性时域缩短，证实湍流区域中可预测性降低，其中在 $ Ra = 10^4 $ 时观测到最短时域。