Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
zhou_jian a1045d8c36 | 4 months ago | |
---|---|---|
湍流建模一等奖-TheRealG | 5 months ago | |
湍流建模三等奖-Prandtl | 4 months ago | |
湍流建模三等奖-上海交通大学实验流体力学团队 | 4 months ago | |
湍流建模三等奖-南科大AI湍流模型 | 4 months ago | |
湍流建模三等奖-模型性能靠玄学 | 4 months ago | |
湍流建模二等奖-hack_ai | 4 months ago | |
LICENSE | 5 months ago | |
README.md | 5 months ago |
湍流是一种三维、非定常、有旋的强非线性多尺度流动,具有强的耗散和色散特性,普遍存在于自然界及工程问题之中,被认为是“经典物理学中最后一个未解决的问题”。Navier-Stokes(NS)方程是描述流体运动的基本方程。基于求解NS方程的湍流模拟方法,根据计算精度的层次可以分为三种,分别是雷诺平均(RANS, Reynolds Averaged Navier-Stokes Equations)方法、大涡模拟(LES, Large Eddy Simulation)方法和直接数值模拟(DNS, Direct Numerical Simulation)方法。其中DNS与LES方法对于网格的数量与质量要求较高,计算量很大,目前仍难以广泛应用。RANS方法是目前能够应用于解决工程问题的主要方法,其基本思想是将流场变量分解为平均量和脉动量,并对NS方程进行时间平均,仅对平均量进行求解,所有的脉动量平均之后均为零。平均之后的方程中出现了额外的雷诺应力项,需要建立湍流模型方程进行封闭求解。
传统的RANS方程湍流封闭模式主要可以分为两大类,一类是基于涡粘假设的一阶矩模型,另一类基于雷诺应力输运方程的二阶矩模型。一阶矩模型计算效率高、稳定性好,在工程中应用最为广泛。但这种湍流封闭模式假设雷诺应力与平均应变率成线性关系,并引入各项同性假设,因此,一阶矩模型对出现边界层分离的湍流问题效果不佳,比如大迎角失速、激波附面层干扰以及漩涡分离等流动,计算精度往往并不可靠。二阶矩模式直接建立精确的雷诺应力输运方程,避免了一阶矩模式线性涡粘以及湍流应力各项同性假设,具有较高的湍流计算精度。然而,该模型需要对雷诺应力的六个分量分别建立输运方程, NS方程的非线性导致在输运方程中又会出现更高阶的未封闭项,因此计算量很大,而且该模型鲁棒性较差,目前并没有被广泛应用于解决航空航天工程问题,仍然处于不断发展、改进之中。
近年来,在人工智能技术与湍流大数据推动下,逐渐形成了湍流研究的数据驱动新范式。深度学习等数据驱动算法可以从数据中捕捉湍流的复杂模式,为复杂流动建模提供了一种具有前途的解决方案。本赛题希望通过深度学习方法,基于DNS/LES等方法获得的高可信度流场数据,构建一个以流场基本变量及其组合特征为输入,雷诺应力为输出的数据驱动模型,实现对于雷诺应力的准确模化,从而在计算量可接受的前提下提高RANS方程对于复杂流动的模拟精度。
本次比赛提供了周期山、方管、后台阶、压缩拐角等外形在不同工况下的DNS/LES模拟数据,其中80%用于训练、20%用于验证(模型测试用,非公开)。数据中的输入特征主要有密度、压力、速度、压力梯度、速度梯度等,这些都是流动的基本特征,鼓励参赛者通过特征工程构建、选择更多的特征来提高模型的竞争力。模型的输出特征为雷诺应力的6个分量。
在赛方指定的测试集下,定义两种评价指标:(1)模型预测值与真实值之间的平均绝对误差MAE,误差越低排名越高。(2)模型预测值与真实值之间的R2 Score,该分数越接近于1排名越高。
近年来,在人工智能技术与湍流大数据推动下,逐渐形成了湍流研究的数据驱动新范式。深度学习等数据驱动算法可以从数据中捕捉湍流的复杂模式,为复杂流动建模提供了一种具有前途的解决方案。本赛题希望通过深度学习方法,基于DNS/LES等方法获得的高可信度流场数据,构建一个以流场基本变量及其组合特征为输入,雷诺应力为输出的数据驱动模型,实现对于雷诺应力的准确模化,从而在计算量可接受的前提下提高RANS方程对于复杂流动的模拟精度。
Python Jupyter Notebook Shell other
Apache-2.0
Dear OpenI User
Thank you for your continuous support to the Openl Qizhi Community AI Collaboration Platform. In order to protect your usage rights and ensure network security, we updated the Openl Qizhi Community AI Collaboration Platform Usage Agreement in January 2024. The updated agreement specifies that users are prohibited from using intranet penetration tools. After you click "Agree and continue", you can continue to use our services. Thank you for your cooperation and understanding.
For more agreement content, please refer to the《Openl Qizhi Community AI Collaboration Platform Usage Agreement》