A neural network approach to improve Reynolds-averaged Navier–Stokes modeling of bluff body wakes
Notice bibliographique
Résumé
This study explores a machine learning based correction method of Reynolds Averaged Navier–Stokes (RANS) k–ω Shear Stress Transport (SST) turbulence model in simulating flow around wall-mounted finite rectangular prisms at a Reynolds number of 2.5 × 103. Comparisons with Large Eddy Simulation (LES) reveal successful prediction of mean flow global features, coherent wake characteristics, and key flow parameters by the RANS k–ω SST model. While accurately capturing shear-layer separation, recirculation, and reattachment phenomena, the k–ω SST model tends to significantly overestimate the reattachment length (XR) and underpredict global flow variables. To address this, a backpropagation multi-layer perceptron artificial neural network algorithm is introduced to correct wake parameters of the k–ω SST model. By utilizing LES data to train the algorithm, predictive accuracy of the wake parameters, including reattachment length, recirculation length, drag coefficient, lift coefficient, and base pressure coefficient, is enhanced by more than 97%. These results demonstrate that the algorithm is effective in improving k–ω SST predictions, offering a cost-effective tool to achieve accuracies comparable to LES. The study contributes to refining RANS k–ω SST simulations, showcasing the potential of machine learning in mitigating limitations and enhancing predictive capabilities of RANS models in simulating complex flow scenarios involving wall-mounted rectangular prisms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».