Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nghiên cứu về chiến lược đồng hóa dữ liệu cho dòng chảy rời rạc không đồng đều qua cánh máy bay
Tóm tắt
Để tăng độ chính xác trong việc tái cấu trúc trường hỗn loạn, bài báo này kết hợp giữa quan sát thực nghiệm và mô phỏng số để phát triển và thiết lập một khung đồng hóa dữ liệu, và áp dụng nó vào nghiên cứu dòng chảy qua cánh máy bay S809 với tốc độ thấp và góc nghiêng cao. Phương pháp này dựa trên thuật toán bộ lọc Kalman biến thể tập hợp (ETKF), cải thiện chiến lược nhiễu của các thành viên trong tập hợp và tăng cường sự phong phú của các thành viên ban đầu bằng cách sàng lọc các hằng số nhạy cảm với trường chảy, gia tăng các chiều nhiễu hằng số và thiết kế một khoảng nhiễu tinh vi. Kết quả cho thấy phân bố áp suất trên bề mặt cánh máy bay sau khi đồng hóa sát hơn với giá trị thực nghiệm so với mô hình chuẩn Spalart-Allmaras (S-A). Vortex rời rạc được ước lượng bằng cách lọc đầy đặn hơn, và thông tin trường độ nhớt xoáy phong phú hơn, điều này tương thích về mặt vật lý với thông tin quan sát. Do đó, phương pháp đồng hóa dữ liệu dựa trên chiến lược tập hợp được cải tiến có khả năng mô tả chính xác và hiệu quả hơn các hiện tượng hỗn loạn phức tạp.
Từ khóa
#đồng hóa dữ liệu #dòng chảy rời rạc #thuật toán Kalman biến thể tập hợp #cánh máy bay #mô phỏng sốTài liệu tham khảo
POUQUET, A. Turbulence, Statistics and Structures: an Introduction, Springer, Berlin, 163–212 (2007)
RAFFEL, M., WILLERT, C., WERELEY, S., and KOMPENHANS, J. Experimental Fluid Mechanics, Springer, Berlin, 259–388 (2007)
XIAO, H. and CINNELLA, P. Quantification of model uncertainty in RANS simulations: a review. Progress in Aerospace Sciences, 108, 1–31 (2019)
EVENSEN, G. Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics. Journal of Geophysical Research: Oceans, 99(C5), 10143–10162 (1994)
LAW, K., STUART, A. M., and ZYGALAKIS, K. C. Data assimilation: a mathematical introduction. arXiv, 150607825 (2015)
KATO, H., YOSHIZAWA, A., UENO, G., and OBAYASHI, S. A data assimilation methodology for reconstructing turbulent flows around aircraft. Journal of Computational Physics, 283, 559–581 (2015)
OLIVER, T. A. and MOSER, R. D. Bayesian uncertainty quantification applied to RANS turbulence models. Journal of Physics: Conference Series, 318(4), 042032 (2011)
ZHANG, X. L., MICHELÉN-STRÖFER, C., and XIAO, H. Regularized ensemble Kalman methods for inverse problems. Journal of Computational Physics, 416, 109517 (2020)
KATO, H. and OBAYASHI, S. Statistical approach for determining parameters of a turbulence model. Information Fusion, 2012 15th International Conference, Villach, 2452–2457 (2012)
MONS, V., CHASSAING, J. C., GOMEZ, T., and SAGAUT, P. Reconstruction of unsteady viscous flows using data assimilation schemes. Journal of Computational Physics, 316, 255–280 (2016)
HE, C. G., LIU, Y. Z., and GAN, L. Instantaneous pressure determination from unsteady velocity fields using adjoint-based sequential data assimilation. Physics of Fluids, 32(3), 035101 (2020)
DENG, Z. W., HE, C. G., WEN, X., and LIU, Y. Z. Recovering turbulent flow field from local quantity measurement: turbulence modeling using ensemble-Kalman-filter-based data assimilation. Journal of Visualization, 21(6), 1043–1063 (2018)
SPALART, P. and ALLMARAS, S. A one-equation turbulence model for aerodynamic flows. 30th Aerospace Sciences Meeting and Exhibit, Reno, 439 (1992)
BISHOP, C. H., ETHERTON, B. J., and MAJUMDAR, S. J. Adaptive sampling with the ensemble transform Kalman filter, part I: theoretical aspects. Monthly Weather Review, 129(3), 420–436 (2001)
BISHOP, C. H., ETHERTON, B. J., and MAJUMDAR, S. J. Adaptive sampling with the ensemble transform Kalman filter, part II: field program implementation. Monthly Weather Review, 130(5), 1356–1369 (2002)
SZUNYOGH, I., KOSTELICH, E. J., GYARMATI, G., KALNAY, E., HUNT, B. R., OTT, E., SATTERFIELD, E., and YORKE, J. A local ensemble transform Kalman filter data assimilation system for the NCEP global model. Tellus A: Dynamic Meteorology and Oceanography, 60(1), 113–130 (2008)
BARATA, J. C. A. and HUSSEIN, M. S. The Moore-Penrose pseudoinverse: a tutorial review of the theory. Brazilian Journal of Physics, 42(1–2), 146–165 (2012)
ANDERSON, J. D. Fundamentals of aerodynamics. AIAA Journal, 48(12), 2983–2983 (2010)
SOMERS, D. M. Design and experimental results for the S809 airfoil. Office of Scientific & Technical Information Technical Reports, 1–97 (1997)
GHARALI, K. and JOHNSON, D. A. Numerical modeling of an S809 airfoil under dynamic stall, erosion and high reduced frequencies. Applied Energy, 93, 45–52 (2012)
YANG, M. and XIAO, Z. Parameter uncertainty quantification for a four-equation transition model using a data assimilation approach. Renewable Energy, 158, 215–226 (2020)
SINGH, A. P. and DURAISAMY, K. Using field inversion to quantify functional errors in turbulence closures. Physics of Fluids, 28(4), 045110 (2016)
SINGH, A. P., MEDIDA, S., and DURAISAMY, K. Machine learning-augmented predictive modeling of turbulent separated flows over airfoils. AIAA Journal, 55(7), 1–13 (2016)