[论文解读] Exploratory Data Analysis of The KelvinHelmholtz instability in Jets

Santosh Tirunagari|arXiv (Cornell University)|Mar 21, 2015

Fluid Dynamics and Turbulent Flows参考文献 14被引用 3

一句话总结

本研究将本征正交分解（POD）与动态模态分解（DMD）应用于雷诺数为10,000的同轴射流二维直接数值模拟（DNS）数据，以分析开尔文-赫姆霍兹（KH）不稳定性。结果表明，DMD在捕捉剪切层附近的时序动力学与相干结构方面表现更优，而POD则能有效分离大尺度能量模态；两种方法均揭示了不同射流构型下的锁相不稳定性及涡旋卷起模式。

ABSTRACT

The KelvinHelmholtz (KH) instability is a fundamental wave instability that is frequently observed in all kinds of shear layer (jets, wakes, atmospheric air currents etc). The study of KH-instability, coherent flow structures has a major impact in understanding the fundamentals of fluid dynamics. Therefore there is a need for methods that can identify and analyse these structures. In this Final assignment, we use machine-learning methods such as Proper Orthogonal Decomposition (POD) and Dynamic Mode Decomposition (DMD) to analyse the coherent flow structures. We used a 2D co-axial jet as our data, with Reynolds number corresponding to Re: 10,000. Results for POD modes and DMD modes are discussed and compared.

研究动机与目标

• 研究POD与DMD在识别湍流射流流场中相干流动结构方面的有效性。
• 比较POD（空间正交）与DMD（时间正交）在解析开尔文-赫姆霍兹不稳定性方面的性能差异。
• 分析射流间距（CASE = L/10 与 L/5）对不稳定性发展与模态动力学的影响。
• 评估这些方法在降阶建模与瞬时流体动力学分析中的实用性。
• 为机器学习技术在实验与仿真驱动的流体动力学研究中的应用提供基础。

提出的方法

• 采用快照法实施POD，从时间分辨的LES数据中计算空间模态，以最小化流场表示中的均方误差。
• 该方法包括从快照中计算自协方差矩阵，并求解特征值问题以提取POD模态及其关联的时间系数。
• DMD通过构建快照矩阵V₁ᴺ并近似线性映射A，使得vₙ₊₁ ≈ A vₙ，采用基于Arnoldi迭代的算法实现。
• DMD计算出的特征值与模态代表动态相关的结构，其特征值经对数映射后可用于解释增长/衰减速率。
• 分析基于雷诺数为10,000的二维同轴射流模拟，射流直径ro = L/20，陡度参数B = 10.5。
• 研究两种工况：射流间距较近（L/10）与较远（L/5），通过示踪物（PS）、U与V速度分量分析流场。

实验结果

研究问题

• RQ1 POD与DMD在解析KH不稳定性主导的射流流场中大尺度相干结构方面表现如何比较？
• RQ2 射流间距（L/10 与 L/5）在开尔文-赫姆霍兹涡旋的发展与相互作用中起何作用？
• RQ3 POD模态的时间系数如何反映不稳定性的时间行为与相位关系？
• RQ4 DMD特征值在多大程度上捕捉了流场的时序动力学与稳定性特征？
• RQ5 POD与DMD能否有效分离LES数据中的大尺度相干运动与湍流脉动？

主要发现

• 仅使用前几个POD模态即可捕获95%的总强度波动，有效分离出大尺度相干结构。
• 在工况1（射流间距较近）中，前几个POD模态显示出由于射流相互作用而产生的对称反向KH不稳定性结构，第二DMD模态中可见涡旋卷起现象。
• DMD模态清晰分辨出剪切层附近的动态模式，第二模态表现出涡片卷起的典型特征。
• 工况1中POD模态3与4的时间系数呈现5步相位差，表明存在强相关性，可能反映螺旋形或柱状不稳定性特征。
• 工况1的DMD特征值显示不稳定模态（|λ| > 1）位于单位圆外，经对数映射后揭示其具有正实部，对应不稳定动力学。
• POD与DMD均成功识别并区分了KH不稳定性机制，其中DMD在动态行为的时序分辨率方面表现更优。