基于时程深度学习的复杂流场流动特性表征方法

摘要

流场的特征分析与表征研究对流动机理的明确具有重要意义.然而湍流流场具有复杂的非定常时空演化特征,对其流场数据的低维表征有一定困难.针对此问题,本文提出了基于流场时程数据深度学习方法的湍流低维表征模型,实现了复杂流动数据的降维表征.分别建立了基于一维线性卷积、非线性全连接和非线性卷积的自动编码方法,对非定常时程数据进行降维并得到了低维空间到时域的解码映射关系,实现了特征提取与压缩.通过Re=2.2×10^(4)的方柱绕流场进行了研究与验证,结果表明:时程深度学习方法可以有效地实现流场的低维表征,适用于复杂湍流问题;非线性一维卷积自编码器对复杂流场的表征准确性优于全连接和线性卷积方法.本文方法是无监督训练方法,可应用于基于一点的传感器数据处理中,是研究复杂流场特征的新方法.