核心内容摘要
TranslateGemma-12B-IT快速上手：文学翻译效果实测
粗糙壁湍流的低维建模新范式Rough-wall modeling on a low-dimensional manifoldShyam S. Nair, Robert F. Kunz, Wen Zhang 张雯, Xiang I. A. Yang 杨翔引用格式Nair Shyam S, Kunz Robert F, Zhang Wen, et al. Rough-wall modeling on a low-dimensional manifold[J]. PHYSICAL REVIEW FLUIDS, 2025, 10(
:
编者按粗糙壁面流动广泛存在于自然与工程场景中但由于粗糙面结构复杂多变传统依赖于经验参数的阻力预测方法在泛化能力与精度上存在明显不足且不具备生成能力。
本文提出一种基于低维潜空间学习的粗糙壁面建模框架不依赖人为选取的粗糙度统计量而是通过深度卷积自编码器自动提取粗糙面本征特征并建立与等效砂粒粗糙度高度ks的关联模型。
该方法不仅预测准确还具备粗糙面重建与优化设计潜力为湍流边界层建模提供了全新思路。
研究背景湍流与壁面粗糙度之间复杂的相互作用一直是壁面流动研究中的核心挑战。
粗糙表面扰乱近壁流动结构如条带与涡显著改变边界层动量输运特性从而增加阻力。
如何有效表征粗糙度并准确预测由此产生的阻力对飞行器设计、舰船水动力、天气预报与地表水力学等领域均具有重要意义。
传统的粗糙度建模依赖于对表面统计量如均方根粗糙度、高斯偏度、有效坡度等的经验选取与拟合。
然而这类参数的选择具有较强主观性难以泛化尤其是在面对不同类型、多尺度甚至非规则粗糙面的情形下。
研究方法该研究提出了一种新颖的粗糙壁面建模思路——将复杂粗糙面的形貌压缩映射到一个仅包含三个变量的低维流形上。
核心方法包括自动编码器Autoencoder压缩粗糙面形貌通过深度卷积神经网络将93种实验与DNS获得的粗糙面高度分布映射到三个无量纲的潜变量实现低维数据驱动特征提取。
前馈神经网络预测ks值将潜变量作为输入通过训练前馈神经网络预测等效砂粒粗糙度高度ks这一参数是用于量化粗糙度引起阻力的重要水动力尺度。
构造新粗糙面并验证模型通过在潜变量空间内生成未见粗糙面样本使用DNS计算其真实ks与模型预测值对比验证模型泛化能力。
图1卷积自编码器与前馈神经网络粗糙壁面模型的示意图
结果与分析重构效果优秀Autoencoder能够准确还原原始粗糙面结构并在保留统计量如krms、Sk、ka方面表现良好。
建模准确性优于现有方法相较于Flack等2020与Forooghi等2017提出的粗糙度经验公式本模型在多个测试样本上的预测误差更小R2拟合优度达
89。
对未见粗糙面具备预测能力模型对潜变量空间中新生成的粗糙面进行ks预测结果与DNS计算吻合良好表明该低维流形具备一定的生成性与泛化性。
参数物理意义仍在探索中潜变量与传统粗糙度统计量之间相关性较弱说明其提取的是非线性高阶特征这为未来的解释性研究留出空间图2粗糙表面样本的输入左与重建结果右对比图3不同粗糙壁面模型对 ks/ka 的预测结果 (a) Flack 等人 [23](b) Forooghi 等人 [24](c) Yang 等人 [32]以及 (d) 本研究图4对训练集之外的粗糙表面的由 DNS 得到的流向平均速度剖面与前馈神经网络粗糙壁面模型预测的剖面对比
研究意义本研究展示了将粗糙壁面问题映射到“潜空间”的可行性突破了传统粗糙度统计建模的局限。
该方法不仅提升了建模精度与可扩展性更为未来粗糙面优化设计提供了数据驱动的设计变量空间。
潜变量的可控性也为逆向设计如阻力最小化粗糙面形貌优化奠定基础。
相关论文BLM| 南科大、宾州州立张雯、杨翔等湍流边界层中大尺度二次涡结构演化的大涡模拟与建模 https://link.springer.com/article/
1