论文及案例优秀作品 | Adjoint算法和机器学习策略相结合的湍流模型优化研究

作品赏析（6） | Adjoint算法和机器学习策略相结合的湍流模型优化研究

Adjoint-Based Model Tuning and Machine Learning Strategy for Turbulence Model Improvement

以往很多研究表明，对于各种复杂的流动现象来说，只需要湍流模型参数的小幅度调整就能够让其预测精度大幅度提升。相较于以往通过经验和反复试错来调整参数的方法，本文应用了Ansys Fluent中的Adjoint伴随算法进行湍流模型优化，具体是以试验数据（阻力以及表面压力）为基准来校核GEKO模型的参数组合，然后运用神经网络（NN）的机器学习方法来获得参数组合和特定流场结构之间的耦合关系，从而得到优化后的湍流模型，该方法能够实现仿真预测精度的显著提高。本文仅以阻力作为校核目标只是该方法用于汽车外流场中湍流模型改进的初步尝试，在后续的相关研究工作中，为了获得适用性更强、预测精度更高的湍流模型，需要更加全面的试验数据输入。

周华 | SAIC Volkswagen 空气动力学工程师

上汽大众产品预研部空气动力学工程师，负责空气动力学数值模拟和风洞试验，以及CFD方法研究。于2019年加入上汽大众，毕业于同济大学，获得车辆空气动力学博士学位。

完整作品见附件