Application of Convolutional Neural Networks to Flow Fields Refiningin External Aerodynamics Problems

Численное моделирование турбулентных течений около тел различной конфигурации является вычислительно затратным, особенно при проведении серийных расчетов, и требует нахождения баланса между скоростью и точностью вычислений. Целью работы является построение оператора, уточняющего результаты расчета, полученные менее точной вычислительно эффективной моделью, на основании расчетов схожих течений, полученных с помощью более точной базовой модели, с помощью методов машинного обучения. В качестве уточняемой модели был использован метод приближенной пристенной декомпозиции (ANDD) для модели Спаларта–Аллмараса, в качестве базовой модели — модель Спаларта–Аллмараса. В данной работе задача решена в нелокальной постановке, то есть учитывается влияние всего поля течения на ошибку в конкретной его точке. Оператор перехода от уточняемой модели к базовой строится с помощью сверточных нейронных сетей (CNN) архитектуры энкодер-декодер. Эффективность и точность построенной суррогатной модели демонстрируется на примере двумерной задачи сверхзвукового турбулентного обтекания угла сжатия при различных величинах угла сжатия и числах Рейнольдса (рассмотрены задачи интерполяции и экстраполяции по Re, а также интерполяции и экстраполяции по величине угла сжатия α). The simulation of turbulent flows around objects is computationally expensive and requires a balance between accuracy and computational performance. The objective of this work is to construct an operator that would improve the result of a less accurate, but more computationally efficient model using simulation results for similar flows obtained by a slower but more accurate method. The Spalart-Allmaras model is used as the turbulence model. The approximate near-wall domain decomposition (ANDD) approach is used as the fast, less accurate model, while the one-block approach (without decomposition) is used as the baseline, more accurate model. In this work, the operator is constructed with a non-local approach, where the entire input flow field affects every point of the output flow field. The operator is constructed with a convolutional neural network (CNN) of an encoder-decoder architecture. The efficiency and accuracy of the obtained surrogate model are demonstrated with a supersonic flow over a compression corner with different angle α and Reynolds number values. We considered interpolation and extrapolation both by Re and α.