Spatial artificial neural network model for subgrid-scale stress and heat flux of compressible turbulence
Spatial artificial neural network model for subgrid-scale stress and heat flux of compressible turbulence
复制标题
可压缩湍流亚网格尺度应力和热通量的空间人工神经网络模型
DOI：
10.1016/j.taml.2020.01.006
复制
发表时间：
2020
影响因子：
3.4
通讯作者：
Shiyi Chen
中科院分区：
文献类型：
--
作者：
Chenyue Xie;Jianchun Wang;Hui Li;Minping Wan;Shiyi Chen
采用人工神经网络（ANN）方法模拟亚网格尺度（SGS）应力和亚网格尺度热流，并用于可压缩湍流的大涡模拟（LES）。人工神经网络模型的输入特征是基于过滤后的速度和温度在不同空间位置的一阶和二阶导数。空间人工神经网络（SANN）模型比梯度模型具有更大的相关系数和更小的相对误差。在后验分析中，SANN模型在预测速度和温度的谱和统计特性以及瞬时流动结构方面优于动态混合模型（DMM）。
The subgrid-scale (SGS) stress and SGS heat flux are modeled by using an artificial neural network (ANN) for large eddy simulation (LES) of compressible turbulence. The input features of ANN model are based on the first-order and second-order derivatives of filtered velocity and temperature at different spatial locations. The proposed spatial artificial neural network (SANN) model gives much larger correlation coefficients and much smaller relative errors than the gradient model in ana priorianalysis. In ana posteriorianalysis, the SANN model performs better than the dynamic mixed model (DMM) in the prediction of spectra and statistical properties of velocity and temperature, and the instantaneous flow structures.
登录
查看更多内容
影响因子：
4.6
作者：
Yipeng Shi;Zuoli Xiao;Shiyi Chen
通讯作者：
Yipeng Shi;Zuoli Xiao;Shiyi Chen
影响因子：
4.6
作者：
P. Moin;K. Squires;W. Cabot;Sangsan Lee
通讯作者：
P. Moin;K. Squires;W. Cabot;Sangsan Lee
机翼周围亚音速流动湍流建模的机器学习方法
影响因子：
4.6
作者：
Linyang Zhu;Weiwei Zhang;Jiaqing Kou;Yilang Liu
通讯作者：
Yilang Liu
影响因子：
27.7
作者：
C. Meneveau;J. Katz
通讯作者：
C. Meneveau;J. Katz
影响因子：
3.7
作者：
R. Maulik;O. San;A. Rasheed;P. Vedula
通讯作者：
R. Maulik;O. San;A. Rasheed;P. Vedula