Забыли данные входа?   Регистрация  

ИССЛЕДОВАНИЕ СВОЙСТВ ТУРБУЛЕНТНОЙ МОДЕЛИ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Автор: Дарья Игоревна Романова

Соавторы: Епихин А.С., Ильина Д.Ю.

Организация: ИСП РАН, МГУ имени М.В. Ломоносова

ИССЛЕДОВАНИЕ СВОЙСТВ ТУРБУЛЕНТНОЙ МОДЕЛИ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

В работе проведена разработка осреднённой по Рейнольдсу турбулентной модели на основе искусственного интеллекта (ИИ) [1]. Изучены возможности алгоритмов ИИ предсказывать турбулентную вязкость на основе различных комбинаций основных параметров течения (скорости и давления). Выполнен анализ значимости различных комбинаций параметров течения, включающих градиенты давления и скорости, завихренность, инварианты тензора скоростей деформаций, а также различные комбинации перечисленных признаков. Исследованы гиперпараметры алгоритмов с целью обеспечения наилучшего соотношения качества и быстродействия. Произведена верификация разработанной модели и её валидация. В качестве класса рассматриваемых задач выступают гидродинамические задачи с изломом в геометрии, такие, как течение за обратным уступом, обтекание вмонтированного прямоугольного цилиндра, течение в прямоугольной каверне при различных числах Рейнольдса. Набор данных для вышеперечисленных задач был получен с помощью уточнённого вычислительного моделирования с использованием классических методов. Полученный набор данных разделяется на обучающую, тестовую и валидационную выборки. Разделение происходит по задачам, например, если обучение происходило на задачах с прямоугольными кавернами, для тестирования используется задача обтекания обратного уступа, для валидации – обтекание вмонтированного прямоугольного цилиндра. Проведено сравнение с классическими осреднёнными по Рейнольдсу турбулентными моделями. Для решения задачи используется свободный пакет с открытым исходным кодом OpenFOAM.

СПИСОК ЛИТЕРАТУРЫ:

1. Романова Д.И., Епихин А.С., Ильина Д.Ю. Применение алгоритмов машинного обучения для предсказания турбулентной вязкости. Труды Института системного программирования РАН. 2023;35(6):199-212. https://doi.org/10.15514/ISPRAS-2023-35(6)-13