Effects of turbulence boundary conditions on Spalart-Allmaras RANS simulations for active flow control applications
本研究评估了SA湍流模型闭合的RANS模拟在分析流体主动流动控制中的适用性，发现通过设定合理的射流湍流边界条件，RANS-SA能以低计算成本准确预测升阻力等宏观量，验证了其作为SJA参数初步优化方法的可靠性。
2024-07-30 physics.flu-dyn
Analysis on numerical stability and convergence of RANS turbulence models from the perspective of coupling modes
雷诺平均Navier-Stokes模拟仍然是工程上研究复杂流动的主要方法。然而，传统的湍流模型不能准确地预测流场与分离。在这种情况下，机器学习方法提供了一种有效的方法来建立新的数据驱动的湍流闭合模型。然而，数据驱动湍流模型遇到的一个瓶颈是如何保证RANS方程在后验迭代中的稳定性和收敛性。本文研究了不同耦合方式对RANS方程与湍流模型之间的收敛性和稳定性的影响。数值结果表明，机器学习湍流模型中常用的冻结耦合模式会导致后验迭代的发散和不稳定;而互耦合模式在迭代过程中能保持良好的收敛性和稳定性。该研究为机器学习湍流模型与RANS方程的后验迭代耦合模式提供了新的视角。
2021-10-16 physics.comp-ph physics.flu-dyn
A PDE-free, neural network-based eddy viscosity model coupled with RANS equations
雷诺平均纳维尔-斯托克斯（RANS）模拟中使用的大多数湍流模型是描述湍流量传输的偏微分方程（PDE）。这些量包括涡流粘度模型中的湍流动能和差应力模型中的雷诺应力张量（或其各向异性）。然而，这些模型在鲁棒性和准确性方面都有局限性。受机器学习在其他科学领域的成功启发，研究人员开发了数据驱动的湍流模型。最近，一种具有嵌入不变性的非局部向量云神经网络被提出，并在模拟层流中被动示踪剂输运中展示了其能力。在此成功的基础上，我们使用非局部神经网络映射模型的传输物理的k-milling模型，并将其耦合到RANS求解器，导致PDE自由涡粘性模型。我们证明了RANS求解器的鲁棒性和稳定性与基于神经网络的湍流模型的参数化几何形状的周期性山丘上的流动。我们的工作作为使用矢量云神经网络作为替代传统的湍流模型在耦合RANS模拟的概念证明。耦合的成功为基于神经网络的雷诺应力输运模型仿真铺平了道路。
2022-02-16 physics.flu-dyn
Bayesian neural network correction of RANS turbulence models with uncertainty quantification in separated flows
Delft University of Technology（代尔夫特理工大学）
本文提出一种贝叶斯神经网络框架，用于在分离流中对RANS模型进行不确定性意识修正，通过湍动能源项修正和张量各向异性修正，提升预测准确性并评估不确定性量化挑战。
2026-09-15 physics.flu-dyn
Synthetic turbulence generator for lattice Boltzmann method at the interface between RANS and LES
本文介绍了一种用于格子玻尔兹曼方法（LBM）的合成湍流发生器（STG），它是在雷诺平均Naiver-Stokes（RANS）方程和LBM大涡模拟（LES）的接口上实现的。我们首先获得RANS速度场从有限体积求解器在接口。然后，由于RANS和LBM的网格类型不同，我们应用了从RANS速度场到LBM速度场的数值插值。STG方法产生的速度波动，和正则化的LBM重建的粒子分布函数在界面上。在Re_τ = 180的条件下，采用STG方法模拟了槽道湍流流动，出口采用无压边界条件。速度场的定量比较与周期性格子Boltzmann基于LES（LES-LBM）通道流和直接数值模拟（DNS）通道流。STG方法的适应长度和时间进行了评估。此外，我们比较了STG-LBM通道流的结果与现有的LBM合成涡方法（SEM-LBM）的结果。我们的数值研究表明，良好的协议与DNS和周期性的LES-LBM通道流在一个短的适应长度。湍流通道流的适应时间进行了定量分析，并匹配DNS约1.5至3域的流通时间。最后，我们检查的自相关的速度分量在不同的横截面的流向方向。所提出的STG-LBM被观察到是快速和鲁棒的。研究结果表明，混合RANS/LES-LBM求解器的空气动力学模拟和广泛的工程应用的潜力。
2022-05-05 physics.flu-dyn
Turbulence Closure in RANS and Flow Inference around a Cylinder using PINNs and Sparse Experimental Data
Brown University（布朗大学）；University of Central Florida（中佛罗里达大学）；Massachusetts Institute of Technology（麻省理工学院）
本文研究了使用PINNs和稀疏实验数据改进RANS模型对圆柱周围流体的预测，通过结合PIV和DNS/LES数据，提出了一种基于数据驱动的湍流闭合方法。
2026-09-01 physics.flu-dyn
Machine Learning for RANS Turbulence Modelling of Variable Property Flows
本文提出了一种机器学习方法，以改善传统的RANS湍流模型在通道流的预测受到强烈的变化，其热物理性质。所开发的配方包含几个改进现有的字段反演机器学习（FIML）的框架中描述的文献，以及一个新的建模技术的推导。我们首先展示了使用高效的优化例程自动化的过程中的CFD的场反演的背景下，结合使用符号代数求解器生成稀疏有效的代数公式，以遵守离散伴随方法。所提出的神经网络架构的特点是使用对数神经元的初始层，其次是双曲正切神经元，这证明了数值稳定。然后使用新的加权松弛因子方法来校正机器学习预测，该方法从其他虚假预测中恢复有价值的信息。该研究使用了K折交叉验证技术，这对小数据集是有益的。结果表明，机器学习模型作为一个很好的非线性建模的DNS情况下，以及在训练集中表示，并获得适度的改善幅度稀疏DNS情况。它的结论是，发达的机器学习方法对应于一个有效的替代方案，以改善RANS湍流模型在其热物理性质的变化强烈的流动，而无需引入事先建模假设到系统中。
2022-10-27 physics.flu-dyn
Construction method for general phenomenological RANS turbulence model
提出了一种基于物理约束的唯象雷诺平均纳维尔-斯托克斯（RANS）计算模型。在这个模型中，e方程中的部分源项被深度学习模型取代，使用标准k-e模型作为模板。与标准k-e模型相比，该模型的仿真结果实现了51.7%的高误差减少。为了提高适应性和准确性相比，异常流态的收敛，在本研究中提出的坐标技术被用于建模过程中。对于训练数据，当流动状态偏离理论假设时，使用该方法自动校正k场和e场。基于坐标技术，建立了方程源项的深度学习模型，仿真误差比不坐标的降低了6. 2%。从结果来看，所提出的坐标技术可以有效地适应欠发达的流动状态，并有助于更准确地模拟复杂流动状态下的唯象RANS计算模型。
2021-12-26 physics.flu-dyn
Prediction of separation and transition on a low-pressure turbine blade using a RANS grid
高升力低压涡轮叶栅的绕流是一个非常复杂的问题，其中经常涉及到分离和转捩等现象。对于高负荷T106 A叶片，在高冲角和相对低的雷诺数（25，000 < Re < 1，00，000）下，在叶片吸力面观察到分离诱导转捩，这使得基于模型的模拟成为一个具有挑战性的问题。在这项工作中，这种流动的计算进行RANS和混合LES/RANS方法。采用六种常用的低雷诺数湍流模型进行了RANS数值模拟.虽然湍流模型本身无法预测T106 A叶片上的任何分离，但四方程Langtry-Menter转捩模型预测了一个短暂的分离气泡。然而，这种气泡的特性与实验和DNS中观察到的非常不同，因此无法准确预测过渡。一个嵌入式混合LES/RANS方法，有限的数值尺度（LNS），自动切换到LES在充分解决网格，然后用于sameRANS网格上的预测。由于细网格上的统计湍流，LNS的类似LES的行为导致雷诺应力的非物理下降，因为湍流波动在分辨尺度上没有得到适当的表示。因此，LNS结果与湍流模型获得的结果非常相似。然而，当使用具有正确统计特性的合成湍流来刺激嵌入式LES区中的大涡时，LNS能够预测分离并恢复非常接近DNS和实验结果的解决方案。
2020-04-23 physics.flu-dyn
Machine learning based uncertainty quantification of turbulence model for airfoils
基于雷诺平均纳维尔-斯托克斯（RANS）的转捩模型广泛用于航空航天应用，但由于Boussinesq湍流粘性假设而存在不准确性。本征空间摄动法可以通过对雷诺应力的预测值进行摄动来估计RANS模型的精度。然而，缺乏一种可靠的方法来选择注入扰动的强度，而现有的机器学习模型往往是复杂的和数据的渴望。我们检查了两个轻量级的机器学习模型，以帮助选择注入扰动的强度，用于估计Selig-Donovan 7003翼型上过渡到湍流的气流的RANS不确定性。一方面，我们研究了多项式回归构建一个标记函数与特征值扰动估计的不确定性界预测的表面摩擦系数。另一方面，我们训练了一个卷积神经网络（CNN）来预测高保真的湍流动能。训练后的CNN作为标记函数，可以集成到本征空间扰动方法中，以量化RANS不确定性。我们的研究结果表明，轻量级的机器学习模型是有效的，在构建一个适当的标记函数，这是有希望丰富现有的特征空间扰动方法，以更精确地量化RANS的不确定性。
2022-11-07 physics.flu-dyn
Sensitivity mapping of TBL wall-pressure spectra with CFD turbulence models for wind tunnel test result prediction
在目前的工作中，试图映射现有的零压力梯度（ZPG）湍流边界层（TBL）壁面压力谱模型的灵敏度与不同的TBL参数，并最终，与不同的雷诺平均Navier Stokes（RANS）湍流模型，模拟在OpenFOAM和ANSYS Fluent求解器。这项研究将有助于未来的研究人员选择一个特定的RANS湍流模型相对于一个特定的壁谱模型，以获得一个合理的准确的风洞结果预测能力。首先，通过与风洞试验数据的比较，选择最佳的预测压力谱模型。接下来，考虑实验TBL参数作为基准，在RANS产生的数据的误差估计。此外，壁面压力谱计算以下的半经验频谱模型使用TBL参数饲料从实验和计算流体动力学（CFD）模拟。最后，灵敏度映射之间的频谱模型和RANS模型，具有不同的归一化壁法线距离（y+）。
2022-09-24 physics.flu-dyn
Data assimilation of flow MRI data into RANS models with algebraic closures
Department of Engineering, Trumpington Street, Cambridge CB2 1PZ, UK（英国剑桥大学工程系）；Department of Bioengineering, Stanford University, Stanford, CA, USA（美国斯坦福大学生物工程系）；Department of Radiology, Stanford University, Stanford, CA, USA（美国斯坦福大学放射系）；Stanford Cardiovascular Institute, Stanford University, Stanford, CA, USA（美国斯坦福大学心血管研究所）
采用贝叶斯推断框架，将3D流动MRI测量数据同化到RANS模型中，估计湍流模型参数和入口边界条件，成功重建平均流速并提供不确定性估计。
2026-06-23 physics.flu-dyn
Active model split hybrid RANS/LES
复杂流场的可靠预测模拟要求模型的复杂性和鲁棒性超过当前雷诺平均纳维尔-斯托克斯（RANS）模型的能力。高分辨率的大涡模拟（LES）通常可以提供必要的能力，但是，对于许多感兴趣的流动，这种模拟计算量太大，不能常规地进行。原则上，混合RANS/LES（HRL）模型能够通过任意级别的建模和解决湍流过渡，将改善RANS不足和LES费用。然而，除了RANS和LES中已经存在的并发症外，这些HRL方法还导致了许多独特的并发症。这项工作提出了一种建模方法，旨在克服这些挑战。这里提出的方法依赖于分裂成三个不同的组件的湍流模型：两个负责标准的亚网格模型的角色，要么提供未解决的应力或耗散和第三个，通过创建解决湍流减少模型的长度尺度。这种公式使得HRL中的混合函数不必要。此外，分裂模型的方法既减少了简单的涡流粘度为基础的模型的物理近似负担，并提供了方便的灵活性，在模型选择。在分辨率足以支持额外湍流的区域中，在最小的局部分辨运动尺度上产生波动。这种主动强迫驱动系统之间的平衡RANS和网格分辨LES的分辨率和流量的任何组合，而分裂模型配方防止局部中断的总应力。该模型在完全发展的不可压缩通道流[1]和周期性山丘[2]上进行了演示，其中显示出产生准确的结果并避免了常见的HRL缺点，例如模型应力耗尽。
2021-12-08 physics.flu-dyn
Data-driven RANS closures for wind turbine wakes under neutral conditions
风电场流动物理建模的最新技术是大涡模拟（LES），它可以准确预测大多数相关物理，但需要大量的计算资源。下一个保真度模型类型是雷诺平均纳维尔-斯托克斯（RANS），它便宜两个数量级，但只解决平均量和模型的湍流的影响。他们往往不能准确地预测关键的影响，如尾流恢复率。为风电场尾流设计的自定义RANS闭包是存在的，但到目前为止还没有很好地推广：还有很大的改进空间。在这篇文章中，我们提出了第一个步骤，以系统的数据驱动的方法来推导新的RANS模型在风能设置。时间平均LES数据被用作地面实况，我们首先推导出湍流各向异性张量和湍流动能（t.k.e.）的最佳校正场。生产当这些场被注入RANS方程（使用基线$k-ε$模型）时，再现LES平均量。接下来，我们建立一个自定义的RANS封闭从这些校正字段，使用确定性的符号回归方法来推断代数校正作为（解析）平均流的函数。结果是一个新的RANS闭包，根据训练数据定制。在中性大气条件下的多涡轮星座在风洞规模的方法的潜力得到证明。结果显示，与基线闭合相比，平均速度和t.k.e.的预测值均显著改善。领域的
2020-09-29 physics.flu-dyn
Development of a class of dynamic RANS closures for coarse-grained approaches to turbulence
Department of engineering ”Enzo Ferrari”, University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学恩佐·费拉里工程学院）
本文基于时间滤波Navier-Stokes方程框架，扩展了动态RANS闭合模型，提出新的k-ω动态公式，解决了自由流湍流非物理衰减问题，并通过尺度分辨模拟验证了其对时间粗粒化的鲁棒性及复杂流动现象的捕捉能力。
2026-10-05 physics.flu-dyn
On the characteristic length scale for the synthetic turbulence based on the Spalart-Allmaras model
针对混合RANS-LES模拟中Spalart-Allmaras模型特征长度尺度近似困难的问题，提出一种利用模型底层输运机制推导的新代数表达式，有效提升了LES入口处合成湍流生成的可行性与性能。
2023-04-06 physics.flu-dyn
A novel data-driven method for augmenting turbulence modeling for unsteady cavitating flows
针对现有RANS等湍流建模方法无法准确复现空化流动局部湍流特性的问题，提出融合GEP与BFGS优化器的GEP-CFD数据驱动方法，可同时训练雷诺切应力与湍动能修正项，提升空化流动数值模拟精度。
2024-10-08 physics.flu-dyn
Selection of turbulence models via multiscaling analysis of an axisymmetric pipe flow and heat transfer
为了全面评估湍流，直接数值模拟（DNS）是迄今为止最准确的方法，需要相当大的计算能力和时间;对于行业标准来说不是最佳的。开发一个替代模型，提供合理准确的结果将解决这个问题。雷诺平均纳维-斯托克斯（RANS）模型已经证明了它在解决这一现象的价值。在这项研究中，我们研究了RANS湍流模型从COMSOL充分发展的单相流在一个二维轴对称管域的恒定加热的壁和周期性的边界条件的入口和出口。流体模块中的热传递已被添加以解决热传递现象。我们使用现有DNS数据评估了计算结果，以匹配RANS模型的准确性。RANS模拟进行摩擦雷诺数，即，Re_τ= 180、314和395，具有不同的普朗特数，即，Pr = 0.71、2、5和7。在流动的内部、外部和中尺度区域中进行多尺度分析，以获得流体和传热剖面，即，平均流向速度，雷诺剪应力，平均流向温度，和湍流热通量，与DNS数据进行比较。调查报告的缩放分析的有效性，并表明RANS湍流模型可以用来描述这种流动具有合理的精度。
2022-07-01 physics.flu-dyn
Physics-Informed Machine Learning Approach for Augmenting Turbulence Models: A Comprehensive Framework
雷诺平均Navier-Stokes（RANS）方程在工程湍流数值模拟中有着广泛的应用。然而，由于模拟雷诺应力的不确定性，RANS预测可能有很大的差异。最近，Wang等人证明，机器学习可用于通过利用高保真度模拟的数据来改进RANS建模的雷诺应力（基于DNS数据重建雷诺应力建模差异的物理学通知机器学习方法。物理评论流体。2，034603，2017）。然而，由于雷诺应力封闭的RANS方程的潜在病态，从改进的雷诺应力求解平均流仍然构成重大挑战。实现平均速度的改进预测具有深刻的实际重要性，因为通常速度及其导出量（QoI，例如，阻力、升力、表面摩擦力），而不是雷诺应力本身，是RANS模拟的最终目的。为此，我们提出了一个全面的框架，用于增强湍流模型与物理信息的机器学习，说明了一个完整的工作流程，从输入功能的识别，最终预测的平均速度。这项工作有两个创新。首先，我们展示了一个系统的过程来生成平均流张量的完整性基础上的平均流功能。其次，我们建议使用机器学习分别预测雷诺应力张量的线性和非线性部分。受经典湍流模型中张量的有限多项式表示的启发，这种分解有助于克服RANS方程的病态。数值试验证明了所提出的框架的优点。
2018-09-09 physics.flu-dyn
Bayesian Optimization of the GEKO Turbulence Model for Predicting Flow Separation Over a Smooth Surface
本文采用 turbo-RANS 贝叶斯优化方法，利用稀疏 DNS 数据校准 GEKO 模型的 C_SEP 与 C_NW，并在不同雷诺数下验证其对分离、再附着及壁面量预测的泛化改进。
2025-02-16 physics.flu-dyn
Towards a Predictive Hybrid RANS/LES Framework
许多复杂流的预测模拟需要超越基于雷诺平均纳维尔-斯托克斯（RANS）的模型，以表示在流的至少一些区域中解决至少一些湍流尺度。为了在必要的地方解决湍流问题，同时避免在任何地方进行大涡模拟（LES）的成本，已经开发了广泛的混合RANS/LES方法。虽然在某些情况下是成功的，但现有的方法表现出许多缺陷，这些缺陷限制了它们在许多感兴趣的情况下的预测能力，例如在许多涉及光滑壁分离的流动中。这些不足之处是由于不适当的混合方法和由此产生的不一致之间的解决和建模的湍流以及错误继承的基础RANS和LES模型。这项工作详细说明了这些问题及其在混合仿真中的影响，并开发了一种旨在克服这些挑战的建模范式。新的方法放弃了典型的混合方法，有利于杂交策略，其中RANS和LES模型组件通过单独的模型制定的平均和波动速度，分别。此外，还引入了一种强制方法，其中波动内容从建模尺度主动转移到解析尺度。最后，该模型利用各向异性LES模型，旨在代表网格各向异性的影响。该模型被证明是完全发达的，不可压缩的通道流，是非常有前途的。
2018-12-08 physics.flu-dyn
Development of transitional Reynolds number correlation and assessment of RANS for predictions of bypass transition
本研究通过DNS数据提出基于平均壁面摩擦的间歇性关联式，预测旁路转捩雷诺数，误差在10.8%内，并评估了RANS对来流湍流长度尺度的敏感性。
2025-02-26 physics.flu-dyn
Deep Structured Neural Networks for Turbulence Closure Modelling
尽管雷诺平均纳维尔-斯托克斯（RANS）模拟的局限性众所周知，但由于计算效率，该方法仍然是预测许多湍流的最广泛使用的工具。机器学习是提高RANS模拟精度的一种很有前途的方法。改进的一个主要方面是使用机器学习模型来表示平均流场梯度和雷诺应力张量之间的复杂关系。在目前的工作中，修改，以提高稳定性以前的最佳涡粘性方法RANS模拟和评估。最佳涡粘性与非负约束，这促进了数值稳定性重新制定。我们表明，新制定的最佳涡流粘度提高了条件的RANS方程的周期性丘陵测试情况。为了证明这种比例/正交张量分解在物理信息数据驱动的湍流闭合中使用的适用性，我们使用两个神经网络（基于这种特定的张量分解结构，该张量分解作为归纳偏差纳入网络设计）来预测雷诺应力张量的新重新制定的线性和非线性部分。将雷诺应力的这些网络模型预测注入RANS模拟中，即使与基于复杂（最先进）物理学的湍流闭合模型相比，也可改善速度场的预测。最后，我们应用SHAP（SHapley加法解释）值来从学习的表示中获得用于从输入特征数据预测最佳涡流粘度的神经网络内部工作的见解。
2022-01-05 physics.flu-dyn
Representation of Reynolds Stress Perturbations with Application in Machine-Learning-Assisted Turbulence Modeling
基于雷诺平均Navier-Stokes（RANS）方程的数值模拟在涉及湍流的工程设计和分析中有着广泛的应用。然而，RANS模拟是已知的是不可靠的，在许多流动的工程相关性，这在很大程度上是由模型形式的不确定性与雷诺应力。最近，一种机器学习方法已被提出，以协助RANS建模，建立一个功能映射，从平均流功能的差异，RANS模拟雷诺应力相比，高保真数据。然而，由于空间平滑性、框架独立性和可实现性的要求，在机器学习中表示雷诺应力特征向量中的差异仍然是一个挑战。在这项工作中，我们提出了三种方案来表示RANS模型雷诺应力的特征向量的扰动：（1）基于离散的欧拉角，（2）基于直接旋转的欧拉角，和（3）单位四元数。我们通过对两种典型流进行先验和后验测试来比较这些指标：在方形管道中充分发展的湍流和周期性山丘上的大规模分离流。结果表明，基于直接旋转的欧拉角表示缺乏空间平滑性，而基于离散的欧拉角表示缺乏框架独立性，不适合用于机器学习辅助湍流建模.而基于单位四元数的摄动表示则满足上述所有要求，是表示雷诺应力张量特征向量摄动的理想选择。这一发现对于湍流建模中的不确定性量化和机器学习以及一般的数据驱动计算力学具有明显的重要性。
2017-09-17 physics.flu-dyn
RANS Equations with Explicit Data-Driven Reynolds Stress Closure Can Be Ill-Conditioned
湍流闭合模型的雷诺平均Navier-Stokes（RANS）模拟在工业流动模拟中继续发挥重要作用。然而，常用的线性涡粘性模型本质上不能处理非平衡湍流流动。另一方面，雷诺应力模型因缺乏鲁棒性而受到困扰。最近在平面通道流动中的研究发现，即使将直接数值模拟（DNS）数据库中误差小于0.5%的雷诺应力代入RANS方程，也会导致速度误差较大（高达35%）。虽然这样的观测结果可能与传统的雷诺应力模型只有很小的相关性，但对于最近出现的将雷诺应力作为RANS方程中的显式源项的数据驱动模型来说，这是令人不安的，因为它表明具有此类模型的RANS方程可能是病态的。到目前为止，这类模型的条件下，仍然缺乏严格的分析。因此，在这项工作中，我们提出了一个度量的基础上局部条件数函数的先验评估的条件的RANS方程。我们进一步表明，病态不能解释的整体矩阵条件数的离散RANS方程。对不同雷诺数下的槽道湍流以及两种复杂流动进行了全面的数值试验，流过周期性的山丘，并在方形管道中流动。结果表明，所提出的度量可以充分解释以前研究中的观察结果，即，随着雷诺数的增加，模型条件恶化，与显式处理相比，隐式处理雷诺应力的条件更好。该指标可以在数据驱动的湍流模型的未来开发中发挥关键作用，通过将调节作为这些模型的要求来实施。
2019-03-10 physics.flu-dyn
A proposal for automated turbulence modelling
提出利用卷积神经网络在运行时将流场自动分割为不同区域并匹配专用经典湍流模型，初步实验表明该自动化分区建模方法优于基线RANS模型且无额外计算开销。
2025-09-17 physics.flu-dyn
Modeling the near-wake of a vertical-axis cross-flow turbine with 2-D and 3-D RANS
采用二维和三维的叶片分辨$k$ - $ω$ SST和Spalart-Allmaras RANS模型对垂直轴双击式水轮机（CFT）的近尾迹进行了数值模拟。将每种情况下的结果与涡轮机轴功率、总阻力、平均速度、湍流动能和下游一个直径处近尾流中的动量传输项的实验测量值进行比较。结果表明，2-D模拟高估了涡轮负载，并没有解决平均垂直动量传输，这在近尾流的动量平衡中起着重要的作用。3D模拟在预测性能方面表现更好，Spalart-Allmaras模型预测最接近实验。SST模型更准确地预测了湍流动能，而Spalart-Allmaras模型更接近地匹配了近尾流中的动量输运项。这些结果显示了叶片分辨RANS作为设计工具和“外推”实验流场测量的方法的潜力。
2016-05-06 physics.flu-dyn
Stabilized RANS simulation of surf zone kinematics and boundary layer processes beneath large-scale plunging waves over a breaker bar
本文对双色波群在固定破碎杆上的传播和破碎进行了数值模拟。使用新稳定的雷诺平均Navier Stokes（RANS）两方程湍流封闭，解决了长期存在的问题，过度生产的湍流下表面波在近势流区之前打破。这个模型以前已经测试过小规模的溢出打破规则波，而在这项工作中的重点是全（而不是模型）规模的应用，波群（而不是规则波）和暴跌（而不是溢出）破碎机。此外，本文还特别强调了底边界层动力学，这对跨海岸输沙预测是非常重要的。通过与以前的实验活动的结果进行比较，该模型进行了验证。该模型被证明是预测的表面高程，速度和湍流以及在浅滩和外冲浪区，避免湍流过度生产和不正确的底流结构典型的标准湍流关闭。与浅水位置的详细边界层测量结果的比较表明，该模型能够准确地捕捉整个波边界层的时间动态，包括边界层厚度的演变，速度过冲和相移。在冲浪区的比较还表明，该模型能够准确地捕捉到破碎引起的湍流到波边界层的运输。模型的性能表明，该模型可直接用于近岸泥沙输移和地貌的模拟，也可用于重要水动力过程的研究，有助于提高海岸工程中应用的动力地貌剖面模型的预报能力。
2020-10-28 physics.flu-dyn
Evaluation of RANS-based turbulence models for isothermal flow in a realistic can-type gas turbine combustor application
本研究针对喷气发动机罐式燃烧室的等温受限旋流，评估多种RANS类湍流模型，发现SST k-ω模型在两方程模型中精度最高，考虑各向异性的LPS-RSM仍有局限，需更先进模型提升预测准确性。
2023-12-22 physics.flu-dyn
Data-Driven RANS Closures Using a Relative Importance Term Analysis Based Classifier for 2D and 3D Separated Flows
本研究提出基于相对重要性项分析分类器的数据驱动RANS闭合方法，用于提高分离流动的RANS预测精度。
2025-04-14 physics.flu-dyn
Sparse identification of multiphase turbulence closures for coupled fluid--particle flows
在这项工作中，模型封闭的多相湍流平均Navier-Stokes（RANS）方程的均匀，充分发展的气体颗粒流。到目前为止，大多数RANS封闭是基于单相湍流模型的扩展，这无法捕获复杂的两相流动动力学在稀相和密相区域，特别是当相之间的双向耦合是重要的。在本研究中，颗粒在重力作用下在无界粘性流体中沉降。在足够的质量负荷，相间的动量交换的相位之间的结果在自发产生的粒子团簇，维持流体中的速度波动。从欧拉-拉格朗日模拟产生的数据用于模型闭合的稀疏回归方法，以确保形式不变性。特别注意的是建模的非封闭条款独特的多相RANS方程（阻力生产，阻力交换，压力应变和粘性耗散）。张量的最小集合，作为建模的基础。据发现，稀疏回归识别紧凑的，代数模型是准确的流量条件和稀疏的训练数据的鲁棒性。
2020-04-20 physics.flu-dyn
Recent developments and research needs in turbulence modeling of hypersonic flows
本综述系统评估了高超声速流动条件下RANS湍流建模的最新进展与局限性，比较了多种模型在预测关键工程量方面的能力，并指出了验证数据库的空白及未来研究方向。
2025-04-28 physics.flu-dyn
A Physics Informed Machine Learning Approach for Reconstructing Reynolds Stress Modeling Discrepancies Based on DNS Data
湍流模型是基于雷诺平均Navier-Stokes（RANS）方程的工业流动数值模拟的重要组成部分。然而，经过几十年的努力，在湍流模拟社区，普遍适用的RANS模型的预测能力仍然缺乏。最近，数据驱动的方法已被提出作为一个有前途的替代传统方法的湍流模型开发。在这项工作中，我们提出了一个数据驱动的，物理信息机器学习方法来预测RANS建模雷诺应力的差异。的差异制定为函数的平均流量功能。通过使用基于随机森林的现代机器学习技术，首先用基准流数据训练差异函数，然后用于预测新流中的雷诺应力差异。该方法被用来预测的雷诺应力在周期性的丘陵流动通过使用两个训练流的情况下增加的困难：（1）在相同的周期性的丘陵几何形状，但在较低的雷诺数的流动，和（2）在不同的丘陵几何形状与类似的回流区的流动。在这两种情况下观察到良好的预测性能，证明了所提出的方法的优点。通过所提出的方法实现的RANS建模的雷诺应力的改进是朝向预测湍流建模的重要一步，其中最终目标是预测感兴趣的量（例如，速度场，阻力，升力）更准确地通过求解雷诺应力从RANS方程。
2017-02-27 physics.flu-dyn
Are Discrepancies in RANS Modeled Reynolds Stresses Random?
在湍流模拟领域，人们已经做出了很大的努力来量化雷诺平均纳维尔-斯托克斯（RANS）模型中的不确定性，并提高其预测能力。在这些努力中至关重要的是理解RANS模拟雷诺应力的差异。然而，这些差异在多大程度上可以预测，或者它们是否完全是随机的，仍然是一个基本的悬而未决的问题。在这项工作中，我们使用了基于随机森林回归的机器学习算法来预测差异。回归-预测程序的成功表明，在很大程度上，在模拟雷诺应力的差异可以解释的平均流功能，因此，它们是通用的量，可以从一个流外推到另一个，至少在不同的流共享相同的特性，如分离。这一发现对RANS模型的未来发展具有深远的意义，为数据驱动的预测湍流建模开辟了新的可能性。
2017-10-09 physics.flu-dyn
RANS solver for microscale pollution dispersion problems in areas with vegetation: Development and validation
我们提出了一个有限体积求解器的描述和验证，旨在解决微尺度城市流动的问题，植被存在。求解器基于大气边界层流动的五方程组的平均纳维-斯托克斯方程，并由k-ε湍流模型补充。植被被模拟为多孔区，植被的影响包括在动量和湍流方程。一个详细的干沉降模型被纳入污染物传输方程，允许城市植被的过滤性能的调查。求解器验证四个测试用例，以评估模型的组成部分：周围的二维山丘的流量和污染物扩散，上升的热气泡的时间演变，通过和周围的森林树冠层的流量，和一个绿篱过滤颗粒负载流。一般良好的协议与测量值或以前计算的数值解观察，虽然模型的一些不足之处被确定。这与所选择的湍流模型和植被特性的不确定性有关。
2016-09-12 physics.flu-dyn
A priori tests of turbulence models for compressible flows
本研究利用直接数值模拟数据对可压缩RANS湍流模型进行先验检验，评估多种闭合模型与修正，重点关注湍流热通量、膨胀耗散及高焓条件下的湍流-化学和湍流-振动弛豫相互作用。
2023-10-15 physics.flu-dyn
Characterization of Model-Based Uncertainties in Incompressible Turbulent Flows by Machine Learning
这项工作确定了使用雷诺平均Navier Stokes（RANS）湍流模型在过渡到湍流状态的不准确性，通过预测基于模型的RANS和大涡模拟（LES）模型之间的差异，然后结合机器学习算法的能力，以表征的差异被定义为一个函数的平均流量性能的RANS模拟。首先，三维计算流体力学模拟使用k-ω剪切应力传输（SST）和动态一方程亚网格尺度模型进行了在壁面有界通道包含一个圆柱体的RANS和LES，分别识别湍流动能的差异。其次，从RANS的平均流动特性计算了几个流动特征，如粘度比、基于壁距的雷诺数和旋涡拉伸。然后使用随机森林回归算法将这些流特征回归到差异上。最后，使用训练好的算法预测测试流程的偏差。结果表明，RANS和LES模拟之间存在显著差异，ML算法成功地预测了k-ω SST湍流模型对转捩流体流动造成的模型不确定性增加。
2018-09-07 physics.flu-dyn
Goal-Oriented Weighting of Reynolds-Stress Data for Learning Turbulence Models in Complex Flows
University of Stuttgart（斯图加特大学）；Gwangju Institute of Science and Technology（光州科学技术院）
提出一种面向目标的雷诺应力数据加权方法，利用单次离线伴随评估确定各分量对感兴趣量的敏感性，并转化为固定损失权重，在无需额外RANS求解的情况下提升复杂流动中湍流模型的预测精度。
2026-09-28 physics.flu-dyn
Improving boundary-layer separation prediction by an IDDES turbulence model using a pressure-gradient sensor
University of Mississippi（密西西比大学）；National Laboratory of the Rockies（落基山国家实验室）
本文通过改进IDDES模型中的压力梯度传感器，提高了边界层分离预测的准确性，适用于风能和航空航天应用。
2026-03-09 physics.flu-dyn
Performance Evaluation of RANS-Based Turbulence Models in Predicting Turbulent Non-Premixed Swirling Combustion within a Realistic Can Combustor
Sant Longowal Institute of Engineering and Technology (SLIET)（桑蒂高瓦尔工程技术学院）；Indian Institute of Technology Roorkee（鲁尔凯印度理工学院）
本文通过计算流体动力学分析，评估了不同湍流模型对燃烧室中流动、热场和组分场的影响，发现SST $k-ω$模型在预测轴向速度、横向速度、湍动能和剪切应力以及温度和组分浓度方面表现更优，且能更准确地预测燃烧室中的回流区和旋涡核心。
2026-05-19 physics.flu-dyn
Continuous Eddy Simulation (CES): Conceptual approach and applications
针对高雷诺数分离湍流模拟中LES成本高、RANS及混合方法结果不可靠的问题，提出严格数学方法连续涡模拟（CES），通过动态修正湍流模型以响应流动分辨率，实现RANS与LES流态无缝覆盖，成本更低且性能更优。
2024-11-29 physics.flu-dyn
A systematic comparison of two-equation RANS turbulence models applied to shock-cloud interactions
湍流模型试图解释流体动力学模拟中未解决的动力学和扩散。我们开发了一个通用的框架，两方程的雷诺平均Navier-Stokes（RANS）湍流模型，我们实现了六个模型的雅典娜代码。我们验证每个实施与标准的亚音速混合层，虽然协议的水平取决于混合层宽度的定义。然后，我们测试每个模型的有效性到超音速制度，可压缩性修正可以提高与实验的一致性。对于具有浮力效应的模型，我们还通过分层介质中Rayleigh-Taylor不稳定性的增长来验证我们的实现。然后将模型应用于无处不在的三维天体物理激波-云相互作用。我们专注于激波和云物质的混合，将湍流模型的结果与高分辨率模拟（每个云半径高达200个单元）和整体平均模拟进行比较。我们发现，湍流模型导致云的扩散和混合增加，虽然没有两个模型预测相同的结果。在分辨率大于100个单元/半径的无粘模拟中也观察到混合增加，这表明湍流混合开始得到解决。
2017-03-25 astro-ph.GA astro-ph.IM physics.flu-dyn
A deep learning framework for turbulence modeling using data assimilation and feature extraction
工业应用中的湍流问题主要使用雷诺平均纳维尔-斯托克斯（RANS）湍流模型来解决。由于封闭假设导致RANS建模的不确定性，因此RANS模型的准确性有限。我们建议通过卷积神经网络使用深度学习算法以及直接数值模拟的数据来提取解释湍流统计数据演变的最佳特征集。统计检验用于确定这些特征与待预测的感兴趣的量的变化的相关性。这些功能，然后用来开发改进的偏微分方程，可以取代经典的雷诺平均Navier Stokes模型，并显示在预测的准确性的改善。
2018-02-16 physics.comp-ph physics.flu-dyn
Assessing turbulence sensitivity using stochastic Monte Carlo analysis
雷诺平均Navier Stokes（RANS）模型是研究工业应用中湍流的主力。这种单点湍流模型在考虑非局部物理和流动历史对湍流演化的影响方面具有局限性。在这种情况下，我们调查的灵敏度固有的单点模型，由于其表征的内部结构的均匀湍流的雷诺应力的手段。对于各种平均流量，我们研究了由于这种粗粒度的描述所产生的预测区间。这种变异性的性质及其对参数的依赖性，如平均流拓扑结构，初始雷诺应力张量和归一化应变率的识别，分析和explicated。这种变异性的经典RANS封闭模型的制定上的分歧突出。
2017-04-18 physics.flu-dyn
A Method for Determination of the Reynolds Stress and Turbulence Structure in Wall-Bounded Flows
利用拉格朗日动量输运，雷诺应力可以用基本湍流参数表示。雷诺应力梯度表示流向动量的横向传输，由动量方程中的u2传输、压力和剪切力项平衡。直接数值模拟（DNS）的数据已被用来验证这种方法，具有良好的一致性和协议。雷诺应力梯度的表达式将输运方程添加到雷诺平均Navier-Stokes（RANS）方程中，因此，如果可以确定第三个未知变量u2，则可以确定湍流结构。在这里，我们考虑替代结构为基础的方法，用于重建的u2轮廓壁有界流。u2剖面的输入，结合两个传输方程（RANS和当前的雷诺应力方程），允许充分重建的湍流结构的壁有界流，与DNS数据的合理协议。
2019-12-10 physics.flu-dyn
Using LSTM Predictions for RANS Simulations
本研究评估LSTM神经网络替代RANS湍流模型的可行性，在第二阶段解决了前期挑战，并证明了LSTM模型在预测扰动流等更复杂流动场景中湍流行为的有效性。
2024-11-18 physics.flu-dyn
A Data-driven Approach for Turbulence Modeling
数据驱动湍流模型是核动力装置热工水力学模拟中的一个新兴研究领域。核电站热工水力学计算中最常用的CFD方法是雷诺平均Navier-Stokes（RANS）方法，该方法不仅计算速度慢，而且对于不同流型的湍流模型和参数的选择也比较复杂。数据驱动湍流模拟的目标是开发一种基于RANS的方法，不仅计算效率高，而且适用于不同的流型。为了实现这一目标，第一步是开发一种方法，以适当地执行RANS选定的流量模式。在这项工作中，一个机器学习的方法来实现这一目标。本研究的主要目的是执行一个数据驱动的方法来模拟湍流雷诺应力利用大量的直接数值模拟（DNS）数据的潜力。该方法是通过湍流验证案例：一个平行平面准稳态湍流情况下进行验证。这部作品包括三个部分。第一部分是数据库准备。在此步骤中，从DNS结果中提取湍流特性（雷诺应力），这些结果被视为“物理正确数据”。同时，从RANS结果中提取流动特征，将其视为“待校正数据”。第二部分是代理模型的建立。在该步骤中，在从前一步骤获得的流动特征和湍流特性之间训练数据驱动的回归函数。最后一部分是模型验证，将训练好的数据驱动回归函数应用于一个测试用例中，对该方法进行验证。
2020-05-01 physics.comp-ph physics.flu-dyn
AI Meets Turbulence Modeling: Complex Systems Perspective
Texas A&M University（德克萨斯农工大学）
该研究针对AI/ML在湍流建模中泛化差、成本高的问题，提出由Re和SK/ε参数化的湍流分类图谱，结合Weaver复杂性框架明确ML-RANS、SRS、PINNs的适用场景，建立了AI/ML湍流建模的物理基础部署框架。
2026-10-14 physics.comp-ph physics.flu-dyn
Sensitivities of Free-Air RANS and DDES Methods on the High-Lift NASA CRM
针对 NASA CRM-HL 高升力构型，本文系统比较稳态/非稳态 RANS 与 DDES 在自由空气条件下对湍流模型、初始化、网格和收敛的敏感性，表明近失速需采用尺度解析方法。
2024-06-14 physics.flu-dyn
Boundary treatment algorithms for meshfree RANS turbulence modeling
Fraunhofer ITWM（弗劳恩霍夫应用研究促进协会工业数学研究所）；RPTU University Kaiserslautern-Landau（莱茵兰-普法尔茨技术大学凯泽斯劳滕-兰道校区）；University of Luxembourg（卢森堡大学）
本文提出改进的无网格方法用于湍流流动的壁处理策略，通过评估最近邻方法和新型最近带邻近方法与移位边界方法，验证了其在高雷诺数湍流模拟中的有效性。
2026-05-13 physics.flu-dyn
Performance of eddy-viscosity turbulence models for predicting swirling pipe-flow: Simulations and laser-Doppler velocimetry
我们使用激光多普勒测速（LDV）实验和雷诺平均Navier-Stokes（RANS）模拟研究的特征流模式下游的一个标准化的顺时针旋流扰动发生器。在量化网格尺寸的影响后，我们评估了各种涡粘性湍流模型在提供合理的近似实验参考方面的潜力。湍流模型的选择反映了当前的行业实践。我们的研究结果表明，从$k$ - $ε$家庭的模型更准确地预测旋流比从$k$ - $ω$家庭的模型。对于充分分辨的网格，可实现的$k$ - $ε$模型提供了最精确的速度幅值近似，尽管它未能捕获由标准$k$ - $ε$模型和RNG $k$ - $ε$模型准确预测的小尺度流动结构。在整篇文章中，我们强调了旋转流RANS湍流模型选择的实际指导。
2015-10-26 physics.flu-dyn
The Myth of URANS
本研究针对非定常雷诺平均Navier-Stokes（URANS）方法缺乏理论支撑的问题，扩展已有动力系统不动点分析构建理论模型，发现URANS存在衰减速率预测偏差等问题，同时验证了该分析可用于说明混合型模型的改进方向。
2022-12-02 physics.flu-dyn
Artificial neural network approach for turbulence models: A local framework
开发了一种用于湍流建模的局部人工神经网络（LANN）框架。基于与曲壁正交的局部坐标系，利用人工神经网络（ANN）重构雷诺平均Navier-Stokes（RANS）非封闭项。我们验证所提出的模型的流量周期性的山丘。在先验分析中，LANN模型预测的RANS非封闭项的相关系数大于0.96，非封闭项的相对误差小于18%.在后验分析中，详细比较了使用LANN和Spalart-Allmaras（SA）模型的RANS模拟结果。结果表明，LANN模型在预测平均速度、壁面剪应力和平均压力方面优于SA模型，其结果与直接数值模拟（DNS）数据基本没有区别。在低雷诺数Re = 2800下训练的LANN模型可直接应用于高雷诺数Re = 5600、10595、19000、37000的情况，并能准确预测。此外，LANN模型的验证周期性的丘陵与变化的坡度。这些结果表明，LANN框架具有很大的潜力，可以应用于复杂的湍流与曲壁。
2021-01-26 physics.flu-dyn
Customized data-driven RANS closures for bi-fidelity LES-RANS optimization
多保真度优化方法承诺以仅略大于低保真度优化的成本实现高保真度优化。这种承诺在实践中很少实现，因为要求低和高保真度模型良好相关。在这篇文章中，我们提出了一个有效的双保真度形状优化方法与大涡模拟（LES）和雷诺平均的Navier-Stokes（RANS）的湍流流体流动的应用程序的高，低保真度模型在分层克里格代理建模框架。由于LES-RANS相关性通常较差，因此我们在设计空间中的单个点处使用完整的LES流场来推导出定制的RANS闭合模型，该模型在该点处再现LES。这是通过机器学习技术实现的，特别是稀疏回归，以获得湍流各向异性张量的高度校正和湍流动能的产生作为RANS平均流的函数。LES-RANS相关性在整个设计空间中得到显著改善。我们证明了我们的方法的有效性和效率，在一个概念验证形状优化的著名的山的情况下。在这种情况下，标准RANS模型表现不佳，而我们的方法仅用两个LES样本就收敛到LES最优。
2020-04-06 physics.comp-ph physics.flu-dyn
