第十八周：Fluent实例仿真+文献阅读

目录

摘要

Abstract

Fluent实例

几何模型描述部分

网格划分部分

求解器设置

边界层设置为5时的情况

文献阅读：流体力学中的物理信息神经网络(pinn)综述

面临的问题

提出方法

PINN

基础原理

PINN研究现状

总结与未来发展方向

总结

摘要

本周的fluent案例讨论是模拟圆柱绕流出现层流涡街（40<Re<150）的情况，即流体经过圆柱后会产生两侧会周期性地脱落出旋转方向相反、并排列成有规则的双列线涡的现象。在本周的文献阅读中，回顾了流物理信息学习，无缝集成数据和数学模型，并使用物理信息神经网络(pinn)实现。证明了pinn在与三维尾流、超音速流和生物医学流相关的逆问题中的有效性。

Abstract

This week's fluent case study was to simulate a laminar vortex street (40<Re<150) around a cylinder, in which the fluid passing through the cylinder will periodically fall off from the two sides of the cylinder and arrange in a regular double line vortex in opposite directions. At the literature reading,make a review flow physics-informed learning, integrating seamlessly data and mathematical models, and implement them using physics-informed neural networks (PINNs),and demonstrate the effectiveness of PINNs for inverse problems related to three-dimensional wake flows, supersonic flows, and biomedical flows.

Fluent实例

几何模型描述部分

  圆柱绕流问题是流体力学的经典问题，对于该类问题的仿真是一种基础性的研究。该几何模型其中的圆柱体影响着雷诺数，其中上游（D2）为10m，下游（D3）为15m，圆柱直径（D1）为1m，进口处（D4）边长为20其边界条件为左进右出，上下的边界不设置为壁面，在该案例中主要考虑的是主流的区域，若设置为壁面，其存在的边界层条件会影响主流区域的流动，单纯的考虑该圆柱绕流时，设置上下边为对称即可（当该边界距离主流区域较远时也可以设置为壁面）。

  本次案例讨论的是层流涡街（40<Re<150），即流体经过圆柱后会产生两侧会周期性地脱落出旋转方向相反、并排列成有规则的双列线涡。

  在圆柱处增加20层边界层，在下游区域进行局部加密（流动状况较复杂，梯度较大），其余部分较平稳，采用粗网格来加快求解速度。

网格划分部分

  用FLuent mesh 来对网格进行划分，选择水密工作流，将模型导入，单位为m，添加boi-1的局部尺寸，增长率为1.2，选用影响体（Body of Influence）为尺寸函数类型，BOI加密的实体不会构成几何对象。有目标网格尺寸（Target Mesh Size）为0.2，区域如下所示：

  生成面网格，最大尺寸为0.6，增长率不变，选择曲率为尺寸函数，曲率度数改为12（18度的网格为20边形来代替一个圆，12度为30边），12的精度更高。面网格划分如下：

边界条件设置如下：

添加边界层，采用统一平均平移（uniform），层数为20层，增长率为1.2，初值设置为0.2m：

生成体网格，最大网格尺度为0.78，采用多面体网格进行划分，体网格划分如下：

求解器设置

网格划分完成，转到求解器设置：使用粘性模型为层流，为使Re为100，根据雷诺数的公式可知，将材料密度设置为1，粘性设置为0.01，进行材料条件设置：

进口速度设置为1：

求解方法采用SIMPLE求解器，其余保持默认：

  创建报告表面，创建一个点，坐标为（2，1，0），在圆柱绕流的右上方，目的为观察点的速度情况，在该问题中用于查看其Y方向上是否达到稳定。在报告定义中选取节点平均，场变量为速度，观察y方向上的速度分量，只勾选报告图，无需报告文件。

采用混合初始化，进行400次迭代，计算曲线如下：

观察到其后续迭代处于稳定。速度云图为：

边界层设置为5时的情况

当在网格划分时，边界层数设定为5时：体网格划分如下：

可观察到其圆柱周围的边界层划分同20层之间的不同，导致了该圆柱绕流中层流涡街的出现，重复上述求解器设置，进行再一次仿真，结果如下：

可以看出，在y方向上的速度分量成周期性变化，无法出现收敛的情况，在速度云图中出现层流涡街现象：

至此，仿真案例完成。

文献阅读：流体力学中的物理信息神经网络(pinn)综述

流体力学中的物理信息神经网络(pinn):综述

面临的问题

   1.对于现实世界的应用，仍然不能将数据实现无缝合并（提升其保真度）到现有的算法中，对于工业复杂性问题，网格生成是所消耗的时间过多。

  2.求解逆问题时，如未知边界条件或电导率等，所需时间和数据成本十分昂贵，需要不同的公式和新的计算机代码，像OpenFOAM这样的计算机程序有超过10万行代码，这使得迭代过程中实现稳定的更新几乎不可能的。

提出方法

PINN使用自动微分来表示所有的微分算子，因此不需要明确的网格生成，故使用PINN将多保真度/多模态实验数据与各种用于不可压缩流、可压缩流和生物医学流的Navier-Stokes公式无缝集成。

若存在有任何离散的部分时空数据可以被所考虑的流体流动问题所利用，则PINN比任何CFD求解器执行得更准确和有效。

PINN

基础原理

假设一个参数化偏微分方程(PDE)系统，由下式表示:

式中：x∈Rd为空间坐标，

t为时间;

f表示PDE的残差，包含微分算子(即，[∂xu +，∂tu +，…])。]);

λ = [λ1， λ2，…]]为PDE参数;

u°(x, t)为初始条件；

g0(x)和边界条件g (t)(可以是Dirichlet、Neumann或混合边界条件)的偏微分方程的解;

∃和∂∃分别表示空间域和边界。

vanilla pinn使用由多个隐藏层组成的全连接前馈神经网络，以空间和时间坐标(x, t)作为输入，近似求解偏微分方程,如下图中蓝色面板所示:

  以时间和空间坐标(t, x)为输入的全连接神经网络用于近似多物理场解u = [u, v, p， φ]。使用自动微分法(AD)计算u - δ对输入的导数，然后用于表示损失函数中控制方程的残差，损失函数通常由由不同系数加权的多项组成。通过最小化损失函数，可以同时学习神经网络的参数θ和未知的PDE参数λ。

设第k隐层的隐变量为zk，则神经网络可以表示为:

最后一层的输出用于逼近真实解，即u´≈zL。Wk和bk表示第k层的权重矩阵和偏置向量;σ()是一个非线性激活函数。所有可训练的模型参数，即权值和偏差，本文用θ表示。

在pinn中，求解偏微分方程时，转化为一个优化问题，通过迭代更新θ（权值和偏差），以最小化损失函L为目标函数，L的表达式如下所示：

通常，使用一种基于梯度的一阶优化自适应算法来优化模型参数θ（ADAM优化器）。一般采用均方误差(MSE)，取采样点的l2范数，计算式3中的损失。将采样点定义为一个数据集{xi, t i}N i=1，其中不同损失项的采样点个数(用N表示)可以不同。

上式中构成损失函数的关键在于偏导数的计算，通常使用自动微分（AD）来解决。

PINN研究现状

  由于在函数逼近方面具有很高的灵活性和表达能力，pinn已被扩展到求解各种类型的偏微分方程，例如积分型的微分方程、分数方程、曲面偏微分方程和随机微分方程。

如：

（1）基于Galerkin方法的偏微分方程变分公式(hp-VPINN)，处理非光滑解的偏微分方程；

（2）使用PINN求解不可压缩流中的逆问题；

（3）用于模拟高速流动

（4）用于生物医学中流体的流动

  pinn在求解流体力学问题方面的主要优势在于，它可以使用统一的框架来求解正解和逆解问题。与传统的CFD求解器相比，pinn在整合数据(例如流量观测)和控制方程方面具有优势。

总结与未来发展方向

  现有的CFD求解器无法处理边界条件或初始条件未知的情况，而使用PINN的数据可以在未知边界条件和初值的情况下，通过多模态的测量方法处理以往CFD求解器无法处理的病态问题。

  在未来，可通过研究在低雷诺数情形下，利用PINN训练的数据使用迁移学习技术快速预测新的高雷诺数下的流动、还可以利用pinn提供的自动数据同化方法开发高雷诺数下未解析流动动力学的闭合模型可能是一个新的探索领域。这表明在不久的将来，pinn可以用于解决现有的CFD方法无法解决的大规模工业复杂性问题。

总结

本周学习了PINN的基本概念，并通过文献阅读了解到其适用范围和未来的大致发展方向。在FLuent案例中，模拟仿真了经典的圆柱绕流案例，了解到如何调整雷诺数和边界层的细分来使问题取得收敛，以后出现无法收敛问题时有了更好的解决方向。