风流知音【涡与湍流专栏(十)】
风流知音【涡与湍流专栏(十)】Quantication of Model Uncertainty in RANS Simulations: A Review
CFDJF(2018)10010
Quantication of Model Uncertainty in RANS Simulations: A Review
肖恒, 助理教授
弗吉尼亚理工大学航空与海洋工程系
Heng Xiao
Assistant Professor
Kevin T. Crofton Department of Aerospace and OceanEngineering
Virginia Tech
肖恒, 湖北天门人。2003年毕业于浙江大学土木系，2005年获瑞典皇家理工学院科学计算方向硕士，2009年获普林斯顿大学博士，2009年至2012年在苏黎世联邦理工学院流体力学研究所从事博士后研究，2013年加入弗吉尼亚理工大学任助理教授。他目前的主要研究方向是结合传统物理模型与现代数据科学的建模方法和数据驱动的湍流模拟。其他研究领域包括离散元方法，泥沙输运，海洋可再生能源等。
工程与科学中有很多多尺度的复杂物理系统，比如湍流，基于第一原理的模拟往往计算量过大，因此实际中常需要使用简化模型, 而这些简化不可避免地引入模型误差，从而导致预测的不确定性。量化和减小这类不确定性在工程决策中至关重要。湍流就是这样一个典型的系统。在系统有实时监测数据的情况下，我们使用数据融合方法来推断并修正湍流模型误差。在仅有类似系统中的离线数据的情况下，我们使用机器学习的方法减小湍流模型误差。机器学习代码见作者的GitHub网页:
https://github.com/xiaoh/turbulence-modeling-PIML
更多信息详见报告人个人主页：
Abstract
In computational fluid dynamics simulations of industrial flows, models based on the Reynoldsaveraged Navier-Stokes (RANS) equations are expected to play an important role in decades to come. However, model uncertainties are still a major obstacle for the predictive capability of RANS simulations. This review examines both the parametric and structural uncertainties in turbulence models. We review recent literature on data-free (uncertainty propagation) and data-driven (statistical inference) approaches for quantifying and reducing model uncertainties in RANS simulations. Moreover, the fundamentals of uncertainty propagation and Bayesian inference are introduced in the context of RANS model uncertainty quantication. Finally, literature on the uncertainties in large eddy simulations (LES) and direct numerical simulations (DNS) is briey reviewed.
Keywords: model-form uncertainty, turbulence modeling, Reynolds-Averaged
Navier-Stokes equations, Bayesian inference, machine learning
