[论文解读] Self-critical machine-learning wall-modeled LES for external aerodynamics

Adrián Lozano-Durán, H. Jane Bae|arXiv (Cornell University)|Dec 18, 2020

Fluid Dynamics and Turbulent FlowsEngineering参考文献 40被引用 22

一句话总结

本文提出了一种用于外部空气动力学壁模化大涡模拟（WMLES）的自注意力机器学习壁模型（SCMv1），采用双神经网络架构，对流动状态进行分类并预测壁面应力，同时输出置信度分数。与标准平衡壁模型相比，该模型在预测复杂流动区域（如机翼-机身连接处）的平均速度剖面时表现出更高的准确性和鲁棒性，得益于其能够标记不确定预测的能力。

ABSTRACT

The prediction of aircraft aerodynamic quantities of interest remains among the most pressing challenges for computational fluid dynamics. The aircraft aerodynamics are inherently turbulent with mean-flow three-dimensionality, often accompanied by laminar-to-turbulent transition, flow separation, secondary flow motions at corners, and shock wave formation, to name a few. However, the most widespread wall models are built upon the assumption of statistically-in-equilibrium wall-bounded turbulence and do not faithfully account for the wide variety of flow conditions described above. This raises the question of how to devise models capable of accounting for such a vast and rich collection of flow physics in a feasible manner. In this work, we propose tackling the wall-modeling challenge by devising the flow as a collection of building blocks, whose information enables the prediction of the stress as the wall. The model relies on the assumption that simple canonical flows contain the essential flow physics to devise accurate models. Three types of building block units were used to train the model: turbulent channel flows, turbulent ducts and turbulent boundary layers with separation. This limited training set will be extended in future versions of the model. The approach is implemented using two interconnected artificial neural networks: a classifier, which identifies the contribution of each building block in the flow; and a predictor, which estimates the wall stress via non-linear combinations of building-block units. The output of the model is accompanied by the confidence in the prediction. The latter value aids the detection of areas where the model underperforms, such as flow regions that are not representative of the building blocks used to train the model. The model is validated in a unseen case representative of external aerodynamic applications: the NASA Juncture Flow Experiment.

研究动机与目标

• 解决现有壁模化大涡模拟（WMLES）在具有多种流动物理特性的复杂外部空气动力学流动中缺乏鲁棒性和准确性的问题。
• 开发一种数据驱动的壁模型，能够超越平衡壁湍流假设，泛化于多种流动状态（如分离流、三维流动和过渡流）的场景。
• 在壁面应力预测中引入置信度估计，实现对分布外或代表性不足流动条件的检测。
• 在真实工业基准上验证模型：雷诺数为2.4×10⁶的NASA接合流动实验。
• 为可扩展的、融合物理信息的机器学习框架奠定基础，未来可通过增加新的典型流动构建模块进行扩展。

提出的方法

• 该模型采用两个相互连接的人工神经网络：分类器将流动分配给一个或多个典型构建模块（如湍流通道、管道、分离边界层），并输出置信度分数。
• 预测网络基于各识别出的构建模块的加权贡献，利用其特征的非线性组合来估计壁面应力。
• 训练数据由不同雷诺数下的平板边界层、湍流管道和分离流的直接数值模拟（DNS）结果构成。
• 该模型通过为每个预测提供置信度值实现自注意力机制，当输入偏离已知流动状态（如激波或非边界层流）时，置信度会下降。
• 该方法依赖瞬时速度和流场梯度数据作为输入，并采用无量纲化处理以提升泛化能力。
• 模型在NASA接合流动实验上进行了验证，将平均速度剖面预测结果与标准平衡壁模型（EQWM）进行对比。

实验结果

研究问题

• RQ1 在具有强三维流动和分离特性的复杂、工业规模外部空气动力学流动中，基于典型流动训练的机器学习壁模型是否能够实现泛化？
• RQ2 预测中的置信度分数是否能有效识别模型处于不确定状态或分布外的区域？
• RQ3 与传统平衡壁模型相比，基于流动分类的自注意力方法是否在复杂流动构型中提升了预测准确性和鲁棒性？
• RQ4 引入多个构建模块（如通道、管道、分离流）如何增强模型在多样化流动状态下的预测能力？
• RQ5 通过扩展训练构建模块集合并优化输入特征选择，模型性能可提升到何种程度？

主要发现

• SCMv1在NASA接合流动构型的三个测试位置（机头机身上游、机翼-机身连接处、后缘连接处）的平均速度剖面预测中，均优于平衡壁模型（EQWM）。
• 在具有强平均流三维性和流动分离的区域，该模型表现出更优的准确性，而EQWM无法捕捉关键流动特征。
• 当存在未建模的物理现象（如激波或非边界层流）时，模型提供的置信度分数能可靠下降，表明其具备有效的不确定性量化能力。
• 该模型仅依赖瞬时流动数据即可成功识别和分类复杂流动状态，显示出其在实时或工业规模大涡模拟应用中的潜力。
• 模型的自注意力特性使其能够检测预测失败，这对在工程设计工作流中实现可靠部署至关重要。
• 尽管结果令人鼓舞，但该模型的性能仍受限于当前训练数据的覆盖范围，未来仍需在多种网格分辨率和配置下进行进一步验证。