基于流场反演和图神经网络的翼型分离流动预测方法

摘要

传统的RANS模型采用布辛涅斯克近似，假设湍流雷诺应力和平均速度梯度张量之间呈线性关系，这一假设适用于简单的剪切流动，但很难推广应用于复杂分离流动问题.本文基于流场反演和机器学习FIML方法框架，针对目前该方法框架内普遍采用的多层感知机网络对于湍流空间相关性表征不足的缺陷，通过图神经网络的引入，对工程应用较为广泛的SA一方程湍流模型生成项进行了修正.在此基础上，结合流场分离特征设计了一种加权函数，改进了图神经网络的消息传递机制.针对大攻角、高雷诺数S809翼型分离流动的实验结果表明，与现有的多层感知机网络相比，图神经网络在不同攻角、不同网格上预测得到的升力系数和实验值更加接近，且新的消息传递机制能够进一步提升图神经网络预测精度.

关键词

湍流建模 / 流场反演 / 图神经网络 / 计算流体力学 / 数值模拟