[论文解读] Learning Optimal Parametric Hydrodynamic Database for Vortex-Induced Crossflow Vibration Prediction

Samuel Rudy, Dixia Fan+3 more|arXiv (Cornell University)|Apr 13, 2021

Fluid Dynamics and Vibration Analysis参考文献 18被引用 5

一句话总结

本文提出了一种数据驱动的优化框架，用于学习柔性圆柱体涡激振动（VIV）预测的最优参数化流体动力学数据库。通过将参数学习表述为基于流体与结构之间能量平衡的约束优化问题，该方法在标准数据库基础上显著提升了VIV振幅和频率预测的准确性，测试实验中误差最高降低了50%。

ABSTRACT

The Vortex-induced vibration (VIV) prediction of long flexible cylindrical structures relies on the accuracy of the hydrodynamic database constructed via rigid cylinder forced vibration experiments. However, to create a comprehensive hydrodynamic database with tens of input parameters including vibration amplitudes and frequencies and Reynolds number, surface roughness and so forth is technically challenging and virtually impossible due to the large number of experiments required. The current work presents an alternative approach to approximate the crossflow (CF) hydrodynamic coefficient database in a carefully chosen parameterized form. The learning of the parameters is posed as a constraint optimization, where the objective function is constructed based on the error between the experimental response and theoretical prediction assuming energy balance between fluid and structure. Such a method yields the optimal estimation of the CF parametric hydrodynamic database and produces the VIV response prediction based on the updated hydrodynamic database. The method then was tested on several experiments, including freely-mounted rigid cylinder in large Reynolds number with combined crossflow and inline vibrations and large-scale flexible cylinder test in the Norwegian Deepwater Program, and the result is shown to robustly and significantly reduce the error in predicting cylinder VIVs.

研究动机与目标

• 为解决由于所需实验数量庞大而难以建立全面的VIV预测实验流体动力学数据库的挑战。
• 开发横流方向流体动力系数（C_lv 和 C_my）的参数化模型，以捕捉关键物理行为，如突变和振幅依赖性。
• 基于流体与结构之间的能量平衡，使用约束优化方法学习流体动力学模型的最优参数。
• 通过在刚性圆柱体和柔性圆柱体实验中使用学习到的流体动力学数据库，提升VIV响应预测的准确性，特别是振幅和频率。
• 在不同流场条件下（包括均匀流和剪切流）实现稳健、数据高效的VIV预测，涵盖长期效应如生物污垢影响。

提出的方法

• 使用带软阈值激活函数的平滑分段线性函数对横流方向流体动力系数 C_lv 和 C_my 进行参数化，以确保可微性并提升拟合效果。
• 构建一个约束优化问题，其目标函数最小化在能量平衡假设下实验测得的VIV响应与理论预测之间的误差。
• 利用刚性圆柱体强制振动试验和全尺寸柔性圆柱体试验（如挪威深水计划）的实验数据来训练模型参数。
• 采用信赖域算法迭代优化流体动力学数据库参数，并通过残差误差和系数演化情况监控收敛性。
• 通过将学习到的数据库与实验数据对比，验证其在均匀流和线性剪切流中的VIVA（涡激振动分析）预测性能。
• 将优化后的数据库应用于不同来流速度下的VIV响应预测，评估其在振幅和频率准确性方面的改进效果。

实验结果

研究问题

• RQ1 能否从稀疏实验数据中高效学习到参数化流体动力学数据库，以提升VIV预测精度？
• RQ2 基于能量平衡的优化框架相较于标准数据库，在C_lv和C_my预测保真度方面有何提升？
• RQ3 在均匀流和剪切流条件下，学习到的流体动力学数据库在柔性圆柱体VIV的振幅和频率预测误差方面能降低多少？
• RQ4 该优化过程在不同流场条件和实验配置下是否能可靠收敛？
• RQ5 该方法能否推广至长期VIV预测，以应对生物污垢或老化效应等变化的水动力条件？

主要发现

• 在挪威深水计划（NDP）38米柔性圆柱体实验中，优化后的流体动力学数据库相较于标准数据库，将VIV振幅和频率的预测误差降低了最高达50%。
• 对于NDP实验编号2182（均匀流，U=2.0 m/s），经过六次迭代后，预测的峰值频率收敛至10.63 Hz，与实验值10.23 Hz非常接近。
• 使用学习到的数据库进行的VIVA预测与实验位移响应的吻合度显著优于使用标准数据库的名义VIVA预测，尤其在振幅和频率响应方面表现更优。
• 学习到的C_lv和C_my系数在多次迭代后趋于稳定，表明优化过程已收敛，后期系数形状变化极小。
• 如图6和图7所示，该方法在所有测试流速的均匀流和线性剪切流中均表现出普遍改进，平均振幅和峰值频率的误差持续降低。
• 优化后的流体动力学数据库即使在复杂流场（如线性剪切流，例如NDP编号2430）中也能实现准确的VIV预测，而标准数据库在这些情况下无法准确捕捉响应。