Desarrollo de nuevos modelos de pared para simulación de grandes remolinos
11/06/2024
Sarath Radhakrishnan defendió su tesis codirigida por Oriol Lehmkuhl Barba y Daniel Mira Martinez el pasado 10 de junio en el Campus UPC. Titulada “Modelado de muros de no equilibrio en simulación de grandes remolinos de flujos transicionales de alta velocidad”, la tesis presenta tres metodologías novedosas para el desarrollo de modelos de muros, dos de las cuales se basan en Machine Learning
La simulación de grandes remolinos modelada por paredes (WMLES) es una herramienta práctica para realizar la simulación de grandes remolinos (LES) delimitada por paredes con menos costo computacional al evitar la resolución explícita de la región cercana a la pared. Sin embargo, su uso es limitado en flujos que tienen altos efectos de desequilibrio, como separación y/o transición.
En este trabajo se presentan tres estrategias de modelado de muros, dos de ellas basadas en datos de alta fidelidad. Primero, se presenta una técnica para mejorar la robustez del modelo algebraico de tensión cortante de pared de última generación. En segundo lugar, se desarrolla un modelo de tensión cortante de pared basado en datos de equilibrio utilizando el LES de los datos del canal. El propósito clave de esto es establecer la metodología de desarrollo de modelos utilizando datos de alta fidelidad. El modelo se construye utilizando una técnica de aprendizaje automático que utiliza árboles de regresión potenciados por gradiente (GBRT). El objetivo del modelo es conocer la capa límite de un flujo de canal turbulento para que pueda usarse en flujos significativamente diferentes donde los supuestos de equilibrio sean válidos. Se describe la importancia de seleccionar los datos apropiados para el entrenamiento y la importancia de elegir la entrada del modelo.
El modelo se valida a priori y a posteriori. Las pruebas a posteriori se realizan implementando el modelo en un solucionador multifísico y usándolo en el flujo de canal turbulento y en el flujo sobre una joroba montada en la pared. El rendimiento del modelo se compara con un modelo algebraico de tensión cortante de pared para comprender las fortalezas y deficiencias de los modelos basados en datos y mejorarlos aún más.
En el siguiente paso, el modelo se actualiza a un modelo de pared de no equilibrio utilizando datos de no equilibrio para el entrenamiento. Los datos de alta fidelidad elegidos para el entrenamiento incluyen la simulación numérica directa (DNS) de un doble difusor que tiene fuertes regiones de flujo sin equilibrio y LES de un flujo de canal. El propósito final de este modelo es distinguir entre regiones de equilibrio y no equilibrio y proporcionar el esfuerzo cortante de pared apropiado. El sistema ML utilizado para este estudio también es GBRT. El modelo se prueba a priori y a posteriori. A posteriori se realizan pruebas sobre el difusor, los flujos del canal, el flujo sobre la joroba y los flujos de unión. Estas pruebas demostraron que el modelo es muy efectivo para flujos de esquina y flujos que involucran reminarización, mientras que funciona de manera bastante menos efectiva en regiones de recirculación.
Compartir: