High-fidelity reconstruction of turbulent flow from spatially limited data using enhanced super-resolution generative adversarial network
在这项研究中，应用基于深度学习的方法，目的是使用最小流场数据重建高分辨率的湍流场。提出了一种基于物理损失函数的多尺度增强超分辨率生成对抗网络模型来重建高分辨率流场。利用绕方柱层流的数据，检验了模型重建高分辨率层流的能力。结果表明，即使在有限的空间信息下，该模型也能准确地再现高分辨率的流场。湍流槽道流的情况下，用于评估模型的能力，以重建高分辨率的壁有界的湍流场。从该模型获得的瞬时和统计结果与地面真实数据吻合良好，表明该模型可以成功地学习一次将粗糙流场映射到高分辨率。此外，经过仔细检查，发现所提出的模型的计算成本实际上很低。这表明，使用高保真训练数据与基于物理指导的生成对抗网络模型，在从极其粗糙的数据重建高分辨率湍流场方面实际上是有效的。
2021-09-10 physics.flu-dyn
Comparison of turbulence profiles in high Reynolds number turbulent boundary layers and validation of a predictive model
Vassilicos等人（2015年）修改后的Townsend-Perry附加涡流模型结合了rms流向湍流速度剖面的外部峰值/平台特性和这些剖面在离壁更远距离处的Townsend-Perry对数衰减。这些作者针对高雷诺数湍流管流数据对该模型进行了验证，并在此显示，该模型同样能够很好地描述来自四个不同设施和宽雷诺数范围的湍流边界层流数据，且参数值大致相同。该模型具有预测价值，当外推到极高的雷诺数的SLTEST数据在大盐湖沙漠大气测试设施，它匹配这些数据相当不错。
2018-09-14 physics.flu-dyn
A Framework for Data-Based Turbulent Combustion Closure: A Posteriori Validation
在这项工作中，我们展示了一个框架，开发封闭模型在湍流燃烧实验多标量测量。该框架是基于建设的条件手段和联合标量PDF实验数据的基础上，参数化的组成空间，使用主成分分析（PCA）。由此产生的主成分（PC）作为条件变量和运输变量。他们的化学源项的构建开始从瞬时温度和物种测量使用成对混合搅拌反应器（PMSR）的方法的变体。采用多维核密度估计（KDE）方法在PC空间中构造联合PDF。这些联合PDF与条件平均值的卷积用于确定封闭项的无条件平均值：平均PC化学源项和密度。这些手段参数化的平均PC使用人工神经网络（ANN）。该框架证明了后验使用的数据从桑迪亚驾驶湍流射流火焰D，E和F通过执行RANS计算。的径向分布的平均值和RMS的温度和测量的物种的质量分数同意这些火焰的实验手段。
2019-09-08 physics.flu-dyn
Validation of a high-order finite difference compressible solver
Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出了一种基于紧凑有限差分方案的高阶可压缩求解器，并通过五个典型案例验证了其在激波捕捉和湍流模拟中的准确性与可靠性。
2026-02-06 physics.flu-dyn
Gradient enhanced multi-fidelity regression with neural networks: application to turbulent flow reconstruction
提出一种梯度增强的多保真度神经网络回归模型，通过自动微分引入低保真度数据梯度信息，有效融合大量低保真与少量高保真数据，在湍流速度场重构中显著优于传统模型并能精确捕获小尺度结构。
2023-11-19 physics.comp-ph physics.flu-dyn
Multi-fidelity Generative Deep Learning Turbulent Flows
University of Notre Dame（圣母大学）
在计算流体动力学中，准确性和计算成本之间存在不可避免的权衡。在这项工作中，一种新的多保真度的深度生成模型被引入到高保真度的湍流场的代理建模中，给出了一个计算上便宜但不准确的低保真度求解器的解决方案。由此产生的代理是能够产生物理上准确的湍流实现的计算成本的幅度低于高保真模拟。开发的深度生成模型是一个条件可逆神经网络，使用规范化流构建，具有循环LSTM连接，允许以高预测精度稳定训练瞬态系统。该模型使用变分损失进行训练，该变分损失结合了数据驱动和物理约束学习。该模型适用于非平凡的高雷诺数流动的纳维-斯托克斯方程，包括湍流在一个向后面对的步骤，在不同的雷诺数和湍流尾迹后的钝体阵列。对于这两个例子，该模型能够生成独特的但物理上准确的湍流流体流动的条件下，一个廉价的低保真度的解决方案。
2020-12-11 cs.LG physics.comp-ph physics.flu-dyn
Validation methodologies for turbulent variable density flows: A jet case study
模拟变密度湍流之间的比较研究通常由直接的图形表示组成，其中一致性水平由眼睛确定。这项工作演示了一个正式的验证方法，使用现有的验证框架，以检查模拟变密度射流和相应的实验数据之间的协议。利用可压缩流体动力学程序XENUS对具有密度比$s = 4.2$的圆形射流和平面射流进行了隐式大涡模拟。射流的增长，其特征在于扩展速率，进行了比较，并通过射流结构诊断检查模拟和实验之间的差异。发现扩散率大于实验值，主要是由于模拟中的分辨率问题，这是通过验证度量分析量化的事实。
2023-07-19 physics.data-an physics.flu-dyn
Efficient prediction of turbulent flow quantities using a Bayesian hierarchical multifidelity model
针对高雷诺数下湍流高保真模拟成本过高的问题，提出贝叶斯分层多保真度模型，可结合不同精度数据校准参数，仅用少量DNS样本就能准确预测湍流量并给出置信区间，在三个工程湍流案例中验证了其有效性。
2022-10-26 physics.flu-dyn
Large/small eddy simulations: A high-fidelity method for studying high-Reynolds number turbulent flows
针对直接数值模拟计算成本高、低保真大涡模拟依赖假设的问题，提出耦合大涡模拟与嵌入小涡模拟的高保真方法，以远低于全DNS的成本实现DNS级精度，为高雷诺数湍流研究提供新途径。
2024-09-15 physics.flu-dyn
Wave-Particle Turbulence Simulation of Spatially Developing Round Jets: Turbulent Flow Modeling and Method Validation
本文应用波-粒湍流模拟方法模拟雷诺数5000的空间发展圆射流，仅用DNS 2%的网格即准确预测速度衰减、平均速度剖面及雷诺应力等统计量，验证了该方法在剪切湍流中的高效性与精度。
2025-07-19 physics.flu-dyn
Validation and application of the lattice Boltzmann algorithm for a turbulent immiscible Rayleigh-Taylor system
本文利用Shan-Chen赝势在GPU上实现了二维Rayleigh-Taylor湍流的多组分格子Boltzmann（LB）模型。在不混溶的情况下，这种方法能够准确地克服固有的数值复杂性所造成的复杂结构的界面，出现在充分发展的湍流制度。LB模型的准确性进行测试的早期和后期阶段的不稳定性。对于发达国家的湍流运动，我们分析了不同的条款描述的动能和势能的变化之间的平衡。然后分析了界面在能量平衡中的作用，以及界面诱导的涡量在能量耗散中的作用。统计特性进行了比较混溶和不混溶流。我们的结果也可以被认为是第一个验证步骤，以扩大LB模型的应用程序的三维不混溶瑞利-泰勒湍流。
2021-12-09 physics.comp-ph physics.flu-dyn
Validation of a new k-epsilon model with the pressure diffusion effects in separated flows
分析了压力扩散的“快速”部分对湍流动能平衡的贡献，并提出了描述其作用的新模型。导出了一个新的湍流动能输运方程。新的k方程不需要对标准ε方程作任何修改。一个新的k-ε模型，其中包括新的k-方程和标准的ε-方程，验证了四个分离的流动：一个平面扩压器，在一个backstep，在一个通道与波形壁，并在轴对称炉膛。结果表明，一个新的模型再现的平均速度，剪切应力，和湍流动能公司和皮肤摩擦系数与实验数据非常吻合。
2007-01-09 physics.flu-dyn
On the validation and use of high-fidelity numerical simulations for gust response analysis
比阵风响应被认为是飞机所受到的最重要的载荷之一。由欧洲航空安全局（EASA）定义的认证规范（CS）25和由联邦航空管理局（FAA）定义的联邦航空条例（FAR）25描述了飞机必须承受的临界阵风。它们必须针对大范围的飞行点（高度和等效空速）和质量配置进行分析。对于某些载荷情况，标准工具可能不够精确，无法正确预测阵风响应，因此可能需要使用高保真度计算。因此，ONERA在其内部的计算流体动力学（CFD）代码elsA（ONERA-Airbus-Safran property）中实现了直接在时域中计算不同离散阵风形状的高保真气动弹性阵风响应的能力。本文介绍了ONERA最近在阵风响应高保真模拟方面取得的一些工作。首先，阵风响应模拟的物理验证进行比较的结果与实验上获得的比例模型。第二，使用各种技术进行数值比较，以模拟阵风。最后，通用支线飞机的应用程序。
2019-02-21 physics.flu-dyn
Hierarchical Multi-Fidelity Learning for Predicting Three-Dimensional Flame Wrinkling and Turbulent Burning Velocity
Department of Mechanical and Industrial Engineering, Northeastern University, Boston, MA 02115, USA（机械与工业工程系，东北大学，波士顿，马萨诸塞州，02115，美国）；School of Mechanical Engineering, University of Leeds, Leeds, UK（机械工程学院，利兹大学，利兹，英国）
本文提出分层多保真神经网络框架MuFiNNs，通过整合稀疏高保真实验数据与结构化低保真表示，有效预测三维火焰褶皱和湍流燃烧速度，克服了高保真实验数据获取的限制。
2026-05-06 cs.LG physics.comp-ph physics.flu-dyn
A new data assimilation method of recovering turbulent flow field at high-Reynolds numbers for turbulence machine learning
本文提出了一种新的基于实验数据的高雷诺数翼型绕流湍流场的数据同化方法--正交分解反演（POD-反演）方法。该方法针对大迎角下存在激波间断或分离流的流动，结合实验分布力系数，可以重建出高保真度的湍流流场。首先对SA模型计算的湍流粘性场进行POD分析，得到POD基模。然后结合纳维-斯托克斯方程求解器，采用全局优化算法对POD系数进行优化。通过几个主要模态恢复了高保真的湍流场，大大降低了系统的维数。以RAE 2822翼型跨音速高雷诺数绕流和大攻角分离流为例，验证了该方法的有效性。结果表明，该同化方法可以恢复与实验数据最佳匹配的湍流场，并显著减小压力系数的误差。本文提出的基于机器学习的数据同化方法可以为湍流模式提供高保真的场数据。
2020-07-11 physics.comp-ph physics.flu-dyn
Large-eddy simulation of the FDA benchmark blood pump: validation against experiments and implications for turbulent flow mechanisms
Southern University of Science and Technology（南方科技大学）；Guangdong Technion-Israel Institute of Technology（广东以色列理工学院）
本文通过对比CFD方法，验证了大涡模拟在离心式血泵中的有效性，发现LES在扩散器区域对实验速度场的预测更准确，为未来高保真血流研究提供指导。
2026-04-17 physics.flu-dyn
Validation and parameterization of a novel physics-constrained neural dynamics model applied to turbulent fluid flow
本研究构建了受物理约束的Navier-Stokes方程数据驱动降阶模型，结合不可压缩约束与神经常微分方程，在三维中等雷诺数湍流上验证了其大尺度流动重建能力，并明确了物理可解释参数对模型性能的量化影响。
2021-10-22 physics.flu-dyn
Enhanced State Estimation for turbulent flows combining Ensemble Data Assimilation and Machine Learning
提出结合集合数据同化与机器学习的策略，利用DA分析数据训练ML修正算法，在湍流通道流案例中显著降低计算成本并准确预测流场特征。
2025-01-30 physics.flu-dyn
A lower bound on adiabatic heating of compressed turbulence for simulation and model validation
当压缩发生在比湍流耗散时间短的时间尺度上时，湍流中的能量可以通过压缩而放大。这种机制可能在维持各种天体物理系统（包括分子云）中的湍流中发挥作用。湍流放大的量取决于压缩强迫和湍流耗散的净效应。通过对这种耗散的一个界的论证，我们给出了压缩湍流中湍流速度随压缩比的标度的一个下界。也就是说，受到压缩的湍流将至少与这里给出的边界一样多地被增强，这取决于将概述的一组警告。作为一个验证检查，这个下限表明，一些压缩天体物理湍流的模拟和模型是太耗散。所使用的技术突出了压缩湍流和衰减湍流之间的关系。
2017-04-09 astro-ph.GA astro-ph.IM physics.flu-dyn
A wall function approach in lattice Boltzmann method: algorithm and validation using turbulent channel flow
在格子玻尔兹曼方法（LBM）中，广泛使用的壁边界是回弹（BB）边界，其对应于无滑移边界。当使用粗网格系统处理高雷诺数流动时，BB边界阻止了LBM捕获壁面上精确的剪切阻力。在这项研究中，我们提出了一个“壁函数反弹（WFB）”边界，将壁函数到LBM的边界条件，克服了BB的限制。WFB边界使用壁面函数模型计算壁面上的适当剪切阻力，然后修改分布函数以反映剪切阻力。WFB中的壁面函数采用Spalding定律。采用基于LBM的大涡模拟（LBM-LES）对$Re_τ$ =640和2003的槽道湍流进行了数值模拟，验证了所提出边界条件的有效性。结果表明，BB边界低估的时间平均速度在缓冲层在$Re_τ$ =640，在整个域的平均速度在$Re_τ$ =2003，当使用粗网格系统。然而，WFB得到了适当的壁面剪切阻力，从而补偿了低估，与实验或DNS数据吻合得更好，特别是在第一层网格。此外，WFB在一定程度上改善了近壁区的雷诺正应力。壁面剪应力的分布与有限体积法中壁面模型函数的分布相似。
2020-09-09 physics.flu-dyn
STREAmS: a high-fidelity accelerated solver for direct numerical simulation of compressible turbulent flow
我们提出了STREAmS，一个内部高保真求解器的大规模，大规模并行直接数值模拟（DNS）的可压缩湍流的图形处理单元（GPU）。STREAmS是用Fortran 90语言编写的，它是为进行规范的可压缩有壁流动的DNS而设计的，即紊流平面通道、零压力梯度紊流边界层和超音速斜激波/边界层相互作用。该求解器采用了最先进的数值算法，专门设计用于解决与高速湍流有关的具有挑战性的问题，并可用于从低亚音速到高超音速范围的宽范围的马赫数。cuf自动内核的使用允许在GPU架构上轻松高效地移植，最大限度地减少了对原始CPU代码的更改，这也是保持的。我们讨论了一个内存分配策略的基础上重复的主机和设备的阵列，仔细最大限度地减少内存使用，使求解器适合大规模计算的最新GPU卡。不同CPU和GPU架构之间的比较强烈倾向于后者，在单个NVIDIA Tesla P100上执行求解器相当于使用大约330个Intel Knights Landing CPU内核。STREAmS显示了非常好的强大的可扩展性和基本上理想的弱可扩展性高达2048 GPU，铺平了道路，在真正的高雷诺数制度的模拟，可能在摩擦雷诺数$Re_τ > 10^4$。该求解器在GPL v3许可下开源发布，可在https://github.com/matteobernardini/STREAmS上获得。
2020-04-05 physics.comp-ph physics.flu-dyn
High-Fidelity Simulations of Two Miscible Fluids in Small Scale Turbulent Mixers Using a Variational Multiscale Finite Element Method
School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）；Department of Agricultural and Biological Engineering, Purdue University（普渡大学农业与生物工程系）；Davidson School of Chemical Engineering (by courtesy), Purdue University（普渡大学戴维森化学学院（荣誉））
本研究利用变分多重尺度有限元法对两种湍流混合器进行高保真模拟，揭示了湍流起始、能量衰减和混合性能的差异，为优化混合条件提供依据。
2026-01-06 physics.chem-ph physics.flu-dyn
High-fidelity study of three-dimensional turbulent transonic buffet on wide-span infinite wings
本研究对NASA-CRM翼型在高达$AR=3$的展弦比下进行了高保真模拟，揭示了三维跨声速抖振的时空结构和分离泡特征，发现三维特性在低升力相位和广泛平均流动分离时最为显著。
2024-06-03 physics.flu-dyn
PeleLM-FDF Large Eddy Simulator of Turbulent Combustion
发展了一种新的计算方法PeleLM-FDF，并用于复杂湍流燃烧系统的高保真大涡模拟（LES）。这种方法是通过一个混合方案相结合的欧拉PeleLM基流求解器与拉格朗日蒙特卡罗模拟器的过滤密度函数（FDF）的次网格尺度反应标量。由此产生的方法是能够模拟一些最复杂的物理复杂的燃烧相互作用。这是证明了一个非预混CO/H $_2$时间演变射流火焰的LES。通过骨架动力学模型的化学建模，并通过详细的后验比较对同一火焰的直接数值模拟（DNS）数据的结果进行评估。观察到良好的协议的各种统计的热化学量的时间演化，包括多标量混合的流形。新的方法是能够捕捉复杂的现象的火焰熄灭和重新点燃的计算成本的DNS的1/512。新的PeleLM-FDF求解器的高保真度和计算负担能力保证其考虑实际湍流燃烧系统的LES。
2022-01-03 physics.flu-dyn
Intermittency at Fine Scales and Complex Singularities of Turbulent Couette Flow
精细尺度的湍流速度场，超出惯性范围和耗散范围，是高度间歇性的。有人假设，复杂的平面奇点是精细尺度不相干性背后的主要机制。本文将湍流的速度场看作是时间的解析函数。虽然该函数只适用于真实的时间值，我们提出了一种数值技术，分析继续函数的复杂的时间值，并具有足够的保真度，定位和可视化的奇点最接近的实轴。使用这种技术，我们证明了一个强大的连接时间的不稳定性和位置的奇点在复杂的平面。
2015-10-31 physics.flu-dyn
Development and Experimental Validation of Novel Evaluation Criteria for Turbulent Two-Phase VOF Simulations in High-Pressure Die Casting
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
本研究开发了新型湍流两相VOF模拟评估标准，通过实验验证了其在高压压铸中对气泡和缺陷的预测能力，为工艺优化提供定量依据。
2026-01-21 cs.CE physics.app-ph physics.flu-dyn
VIVALDy: A Hybrid Generative Reduced-Order Model for Turbulent Flows, Applied to Vortex-Induced Vibrations
PPRIME Institute, CNRS, Université de Poitiers, ISAE-ENSMA（PPRIME研究所，法国国家科学研究中心，普瓦捷大学，ISAE-ENSMA）；University of Michigan（密歇根大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出VIVALDy模型，结合β-VAE-GAN和Transformer，用于降阶建模湍流流动，应用于涡激振动能量收集系统。
2026-04-10 physics.flu-dyn
The effect of collision-coagulation on the mean relative velocity of particles in turbulent flow: systematic results and validation of model
本研究修正并扩展了湍流中碰撞-凝聚颗粒的平均相对速度（MRV）唯象模型，通过直接数值模拟验证了其随Stokes数变化的准确性，并揭示了在特定条件下的雷诺数依赖性。
2024-03-22 physics.flu-dyn
A finite element framework for fluid-structure interaction of turbulent cavitating flows with flexible structures
本文提出一个有限元框架，用于模拟柔性结构与空化湍流的流固耦合，通过均匀混合物模型、保持正性稳定化和动态亚格子方法，结合模态分析和分区迭代耦合，验证了刚性和柔性水翼案例，并揭示空腔和涡脱落对柔性水翼结构动力学的影响。
2023-12-29 physics.flu-dyn
High-fidelity Three-Dimensional Flow Field Reconstruction Driven by Turbulent Fluid Dynamics
State Key Lab of Brain-Machine Intelligence, Zhejiang University（浙江大学脑机智能全国重点实验室）；Shanghai Innovation Institute（上海创新研究院）；Zhejiang Key Laboratory of Industrial Intelligence and Digital Twin, Eastern Institute of Technology（东方理工工程学院工业智能与数字孪生浙江省重点实验室）；Zhejiang Sci-Tech University（浙江理工大学）
该研究针对从粗粒度数据重建高保真三维流场的挑战，提出湍流感知框架，耦合多尺度神经算子与状态空间模型，结合纳维-斯托克斯残差约束和混合专家机制，在多类数据上优于基线方法。
2026-10-14 cs.AI cs.LG physics.flu-dyn
Direct Numerical Simulation of a Turbulent Boundary Layer on a Flat Plate Using Synthetic Turbulence Generation
采用不可压纳维-斯托克斯方程的直接数值模拟（DNS）方法计算平板上的湍流边界层，作为合成湍流发生器（STG）入流边界条件的试验台。入口动量厚度雷诺数约为1，000。该研究验证了STG在边界条件下游5至7个边界层厚度范围内产生精确湍流的能力。还测试了稳定方案变化对边界层发展的影响。此外，所需的网格分辨率的发展区域和下游流动时，使用稳定的有限元方法进行了研究。
2021-02-12 physics.flu-dyn
Compressed Convolutional LSTM: An Efficient Deep Learning framework to Model High Fidelity 3D Turbulence
湍流的高保真建模是计算物理的主要挑战之一，在工程、地球科学和天体物理学等许多领域有着广泛的应用。随着直接数值模拟（DNS）和大涡模拟（LES）等高精度计算流体动力学（CFD）技术的日益普及，对这一问题的研究取得了重大进展。然而，他们仍然遥不可及的许多实际的三维流动的特点是非常大的域和瞬态现象。因此，设计有效和准确的数据驱动生成方法来模拟湍流是必要的。我们提出了一种新的训练方法，用于湍流三维动力学的降维和时空建模，使用卷积自动编码器和卷积LSTM神经网络的组合。模拟湍流场的质量是通过严格的基于物理的统计测试来评估的，而不是视觉评估。结果表明，显着的承诺，在训练方法，以产生物理上一致的湍流在DNS所需的计算资源的一小部分。
2019-03-05 nlin.CD physics.comp-ph physics.flu-dyn
Frozen propagation of Reynolds force vector from high-fidelity data into Reynolds-averaged simulations of secondary flows
针对高保真数据注入 RANS 时的误差放大问题，提出 Reynolds 力向量冻结传播并加入湍动能修正，在低、高 Reynolds 数二次流中均显著降低误差。
2022-10-08 physics.flu-dyn
Prediction of three-dimensional flood-flow past bridge piers in a large-scale meandering river using convolutional neural networks
大尺度河流湍流统计特性的预测是河流水流分析的重要内容。大涡模拟（LESs）为这类预测提供了强有力的工具，然而，它需要很长的采样时间和大量的计算能力来计算河流水流的湍流统计。在这项研究中，我们开发了编码器-解码器卷积神经网络（CNN）预测的一阶和二阶湍流统计的大规模弯曲河流的湍流。我们使用从具有三个桥墩的大型河流中的洪水流的LES获得的数据集来训练CNN，该数据集形成了训练测试床。随后，我们采用经过训练的CNN来预测具有不同桥墩布置的河流中洪水流量的湍流统计数据，从而形成验证测试平台。CNN预测的验证试验台河流流量进行了比较，一个单独执行LES的模拟结果，以评估开发的CNN的性能。结果表明，经过训练的CNN可以成功地产生大规模河流中洪水流量的湍流统计数据，例如用于验证试验台的数据。
2021-06-21 physics.ao-ph physics.flu-dyn
Hurricane Laura-induced loads on wind turbines -- Part I: High-fidelity modeling and sensitivity to turbulent inflow conditions
National Laboratory of the Rockies（落基山国家实验室）；Johns Hopkins University（约翰斯·霍普金斯大学）；University of São Paulo（圣保罗大学）
本研究针对飓风劳拉开展不同分辨率大涡模拟，将数据作为来流进行气动弹性模拟，发现网格分辨率影响风力机气动弹性行为，强调高分辨率来流对极端载荷预测及风力机设计的重要性。
2026-10-16 physics.ao-ph physics.flu-dyn
Gaussian Field Representations for Turbulent Flow: Compression, Scale Separation, and Physical Fidelity
Faculty of Mechanical Engineering, Technion – Israel Institute of Technology（以色列理工学院机械工程学院）
本文提出基于局部高斯原语的连续参数表示法，用于高效表示湍流流动，通过压缩与物理保真度的平衡，改进了湍流场的建模与分析。
2026-07-09 cs.CE physics.flu-dyn
Atmospheric boundary layer over urban roughness: validation of large-eddy simulation
针对中性大气边界层流经两类城市粗糙元的问题，采用高阶低耗散壁面建模LES与在线前驱入流，验证平均流、湍流指标及能谱，显示其预测优于常用城市流标准。
2025-02-19 physics.flu-dyn
A hybrid proper orthogonal decomposition and diffusion framework for reduced-order forecasting of turbulent flow dynamics
Advanced Mathematics Group, Repsol Technology Lab, Repsol S.A.（雷普索尔公司技术实验室高级数学组）；Computational Science and Engineering Laboratory, Harvard University（哈佛大学计算科学与工程实验室）
本研究提出结合本征正交分解（POD）与有效动力学生成学习（G-LED）的混合框架，实现高效湍流预测，对比三种配置验证其降阶后大幅降低计算成本且保留关键流动结构。
2026-08-06 physics.flu-dyn
Concerning the Use of Turbulent Flow Data for Machine Learning
本文分析 DNS 湍流数据用于机器学习时验证集公平性与训练前下采样的常见陷阱，并结合多类湍流数据的统计和谱分析加以说明。
2024-12-08 physics.flu-dyn
Super-resolution reconstruction of turbulent flows with machine learning
我们使用机器学习对严重欠分辨的湍流场数据进行超分辨率分析，以重建高分辨率的流场。开发了两种机器学习模型;即卷积神经网络（CNN）和混合下采样跳跃连接多尺度（DSC/MS）模型。这些机器学习模型被应用到二维圆柱尾迹作为一个初步的测试，并显示出显着的能力，重建层流从低分辨率的流场数据。我们进一步评估这些模型的二维均匀湍流的性能。CNN和DSC/MS模型可以从非常粗糙的流场图像中重建湍流，具有非常高的精度。对于湍流问题，基于机器学习的超分辨率分析可以大大提高空间分辨率，只需50个训练快照数据，具有很大的潜力，揭示亚网格尺度的复杂湍流物理。随着越来越多的流场数据从高保真模拟和实验，本方法激励有效的超分辨率模型的各种流体流动的发展。
2019-02-04 physics.flu-dyn
Deep Learning for Efficient Reconstruction of High-Resolution Turbulent DNS Data
Carnegie Mellon University（卡内基梅隆大学）
在计算流体动力学领域，直接数值模拟（DNS）用于获得流体流动的高精度数值解。然而，用于数值求解纳维-斯托克斯方程的这种方法在计算上极其昂贵，主要是由于需要非常精细的网格。大涡模拟（LES）是一种在低分辨率网格上求解流体流动问题的有效方法，但它会导致解的保真度降低。通过本文，我们介绍了一种新的深度学习框架SR-DNS Net，其目的是通过利用图像超分辨率中使用的深度学习技术来减轻解决方案保真度和计算复杂性之间的这种固有权衡。使用我们的模型，我们希望学习从一个粗糙的LR解决方案到一个精细的高分辨率（HR）DNS解决方案的映射，以消除对高度精细的网格上执行DNS的需要。我们的模型有效地重建高保真DNS数据从LES像低分辨率的解决方案，同时产生良好的重建指标。因此，我们的实现提高了LR解决方案的解决方案准确性，而部署训练的深度学习模型所需的计算成本仅略有增加。
2021-03-15 cs.LG physics.flu-dyn
Numerical simulation of high-speed turbulent water jets in air
空气中高速湍流水射流的数值模拟及其与实验数据的验证还未见文献报道。因此，它的目的是模拟这些高速水射流的物理，并与现有的实验工作的结果进行比较。高速水射流通过质量和动量传递过程在周围大气中扩散。空气被夹带到射流中，整个过程有助于射流扩散和随后的压力衰减。因此，物理问题属于多相流的范畴，对于多相流，要确定质量和动量传递以模拟问题。采用欧拉多相流模型和k-ε湍流模型，并结合一种新的质量和动量传递的数值模型，实现了数值模拟。结果合理地预测了高速水射流在空气中的流动物理。
2010-03-22 physics.flu-dyn
Uncertainty analysis of URANS simulations coupled with an anisotropic pressure fluctuation model
TU Delft（代尔夫特理工大学）
本研究结合全局敏感性分析、代理建模与贝叶斯推理，探究URANS模拟中湍流模型参数不确定性对压力速度脉动预测的影响，在两类湍流案例中验证了模型校准策略的潜力与局限性。
2026-08-04 physics.flu-dyn
Large Eddy Simulations of Fully-Developed Turbulent Flows Over Additively Manufactured Rough Surfaces
本研究通过高保真大涡模拟，探究增材制造粗糙表面管道中的湍流特性，揭示粗糙度形貌对流动的影响，并提出有效距离与混合尺度以改进湍流统计量的预测。
2023-02-01 physics.flu-dyn
Hybrid time series from PIV for characterization of turbulent flow fields: ASTRA -- Approach using Spatially and Temporally Resolved Advection
粒子图像测速技术（PIV）在研究湍流结构中的应用越来越广泛。PIV可以直接提取和研究给定流场中的空间结构。提高PIV系统的时间分辨率可以更准确地捕捉流场演化。尽管PIV具有很好的空间分辨率，但当前的系统只能在很短的时间内匹配热线或激光多普勒风速计（LDA）测量的多个$kHz$采样率。在这项研究中，平流为基础的方法，它使用泰勒的假设“冻结湍流”的小尺度湍流模式。与基本的原始数据相比，所提取的时间序列的时间分辨率大幅增加。所提出的方法的质量显示为两点分析，这将是不可能的，目前已知的方法。为了证明这一点，不同的湍流情况下，后面的分形网格进行了研究。为了验证结果，使用了沿中心线不同位置的相应热线测量。
2021-12-09 physics.flu-dyn
Lyapunov exponent and Wasserstein metric as validation tools for assessing short-time dynamics and quantitative model evaluation of large-eddy simulation
在这项工作中，LES质量和LES精度的评估方法，其中包括李雅普诺夫指数的LES计算的短期可预测性分析和Wasserstein度量的定量评估模拟结果。这两种方法推导和评估中应用的沃尔沃测试案例。无反应和反应的情况下计算。对于无反应的情况下，与实验数据的良好协议，通过求解器在高数值分辨率。反应的情况下，更具有挑战性，由于小的长度尺度的火焰和绝对不稳定的密度比抑制弯曲模式。利用李雅普诺夫指数和Wasserstein度量的概念对湍流模拟数据进行分析，提供了一种更定量的方法来评估模拟结果的网格依赖性。李雅普诺夫指数的收敛被证明是一个更敏感和更强的指示网格独立性。虽然网格收敛的反应情况下，不能达到所选择的决议，李雅普诺夫指数和Wasserstein度量被证明是能够识别特定数量的灵敏度相对于数值分辨率，同时需要显着减少计算资源比获取配置文件的传统湍流统计。
2018-01-09 physics.flu-dyn
Effects of mean flow skew on turbulent shear layers. Part I. Numerical investigation
University of Maryland（马里兰大学）；Cornell University（康奈尔大学）
通过高保真大涡模拟研究非对齐湍流边界层相互作用形成的偏斜湍流剪切层，发现其垂直积分长度尺度减小，且相干压力滚子向平均剪切正交方向重新排列。
2026-06-24 physics.flu-dyn
Lagrangian analysis of turbulent blood flow in the human left heart
本研究基于患者特异性解剖模型的高保真模拟与FSEI框架，开展人体左心湍流的拉格朗日分析，发现左心内存在强拉格朗日间歇性，为溶血建模及医疗器械评估提供统计基础。
2025-06-12 physics.flu-dyn
Conditional diffusion denoising probabilistic model for super-resolution of atmospheric boundary layer large eddy simulation
Texas A & M University（德克萨斯农工大学）
本文提出基于生成AI的条件扩散去噪概率模型，用于从粗分辨率输入中重建高分辨率湍流场，通过高保真数据集训练，验证了在不同尺度因子下模型的超分辨率能力，展示了物理信息生成模型在降低计算成本和提高风能应用可靠性方面的优势。
2026-04-29 physics.flu-dyn
A Deep Learning Approach For Epistemic Uncertainty Quantification Of Turbulent Flow Simulations
针对湍流模拟中传统特征空间扰动法不确定性区间过大的问题，提出用卷积神经网络学习流动特征与模型误差的映射以控制扰动量，提升了认知不确定性量化效果。
2024-05-13 physics.flu-dyn
Calculation of the mean velocity profile for strongly turbulent Taylor--Couette flow and arbitrary radius ratios
泰勒-库埃特（TC）流动是两个同轴独立旋转圆柱之间的剪切驱动流动。近年来，高保真模拟和实验揭示了流向和角速度分布的形状，直到非常高的雷诺数。然而，由于曲率效应，到目前为止还没有理论能够正确地描述给定半径比的湍流流向速度分布，因为经典的普朗特-冯卡门对数定律在平坦表面上的湍流边界层最多只适用于有限的空间区域。在这里，我们解决这个不足之处，通过应用莫宁-奥布霍夫曲率长度的想法湍流TC流。这个长度将湍流动能的产生由纯剪切控制的流动区域与湍流动能与流线曲率结合作用的流动区域分开。我们表明，对于所有的雷诺数和半径比，平均流向和角速度的轮廓崩溃根据这种分离。然后，我们推导出速度分布的函数形式。最后，我们将新导出的角速度分布与边界层高度处的恒定角动量分布相匹配，以获得扭矩对雷诺数的依赖性，或者换句话说，对广义Nusselt数的依赖性（即，无量纲角速度传输）对泰勒数的影响。
2020-03-06 physics.flu-dyn
Turbulent oscillation in unbalanced T-junction flows
Purdue University（普渡大学）
研究不平衡T形分支流在高雷诺数下的湍流生成机制，发现新的振荡行为及自相似现象，揭示了湍流生成模式与雷诺数的幂律关系。
2026-05-12 physics.flu-dyn
Generalization of machine-learned turbulent heat flux models applied to film cooling flows
Stanford University（斯坦福大学）；Citrine Informatics（Citrine Informatics公司）
气膜冷却系统的设计在很大程度上依赖于雷诺平均纳维尔-斯托克斯（RANS）模拟，该模拟求解平均量并模拟所有湍流尺度。大多数湍流热流模型都是基于各向同性扩散和固定的湍流普朗特数（$Pr_t$），不能准确地预测气膜冷却流动中的传热。在本工作中，使用各种数据集作为训练集来训练机器学习模型以预测非均匀$Pr_t$场。这些模型的能力，以概括超出他们被训练的流量进行了探讨。此外，可视化技术被用来比较不同的数据集，并帮助解释交叉验证结果。
2019-10-07 cs.LG physics.flu-dyn
Reviving the Vortex Particle Method: A Stable Formulation for Meshless Large Eddy Simulation
本文通过将涡粒子法重新表述为数值稳定的大涡模拟格式，并引入亚滤波尺度涡拉伸各向异性动态模型，在保持无网格方法计算效率优势的同时解决了其近湍流区的不稳定性问题。
2024-01-26 physics.flu-dyn
