Improving RANS turbulence models using random forests and neural networks - Archive ouverte HAL
Communication Dans Un Congrès Année : 2024

Improving RANS turbulence models using random forests and neural networks

Amélioration des modèles de turbulence RANS à l'aide de forêts aléatoires et de réseaux de neurones

Résumé

Machine-learning (ML) techniques have bloomed in recent years, especially in fluid mechanics applications. In this paper, we trained, validated and compared two types of ML-based models to augment Reynolds-averaged Navier-Stokes (RANS) simulations. The methodology was tested in flows around bumps. The ML-based models were trained in four configurations presenting attached flow, small and moderate separations and tested in a configuration presenting large separation. The output quantity of the machine-learning model is the normalized turbulent viscosity as done in \cite{Volpiani2022}. The new models based on artificial neural networks (NN) and random forest (RF) improved the results if compared to the baseline Spalart-Allmaras model, in terms of velocity field and skin-friction profiles. We noted that NN has better extrapolation properties than RF, but the skin-friction distribution can present small oscillations when using certain input features. These oscillations can be reduced if the RF model is employed. One major advantages of RF is that raw quantities can be given as input features, avoiding normalization issues (such as division by zero) and allowing a larger number of universal inputs. At the end, we propose a mixed NN-RF model that combines the strengths of each method and, as a result, improves considerably the RANS prediction capability, even for a case with strong separation where the Boussinesq hypothesis (and therefore the eddy-viscosity assumption) lacks accuracy.
Les techniques d'apprentissage automatique ont connu un développement fulgurant ces dernières années, en particulier dans les applications de mécanique des fluides. Dans cet article, nous avons entraîné, validé et comparé deux types de modèles basés sur l'apprentissage automatique pour augmenter les simulations RANS (Reynolds-averaged Navier-Stokes). La méthodologie a été testée dans une série d'écoulements autour de bosses, caractérisés par différents niveaux de séparation des écoulements et de courbures. La quantité de sortie du modèle d'apprentissage automatique est la viscosité turbulente, comme fait dans Volpiani et al. (2022). Les nouveaux modèles basés sur les réseaux de neurones artificiels (NN) et la forêt aléatoire (RF) ont amélioré les résultats par rapport au modèle de base Spalart-Allmaras, en termes de champ de vitesse et de profils de frottement parietale. Nous avons noté que le NN a de meilleures propriétés d'extrapolation que le RF, mais la distribution de frottement pariétale peut présenter de petites oscillations lors de l'utilisation de ce modèle spécifique basé sur le NN. Ces oscillations peuvent être réduites si le modèle RF est utilisé. L'un des principaux avantages de la RF est que des quantités brutes peuvent être données comme caractéristiques d'entrée, ce qui évite les problèmes de normalisation (tels que la division par zéro) et permet un plus grand nombre d'entrées universelles. Au final, nous proposons un modèle mixte NN-RF qui combine les atouts de chaque méthode et, par conséquent, améliore considérablement la capacité de prédiction RANS, même pour un cas de forte séparation où l'hypothèse de Boussinesq manque de précision.
Fichier principal
Vignette du fichier
ICCFD12_Paper_10-C-03.pdf (3.48 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04684223 , version 1 (11-10-2024)

Identifiants

  • HAL Id : hal-04684223 , version 1

Citer

Pedro Stefanin Volpiani. Improving RANS turbulence models using random forests and neural networks. International Conference on Computational Fluid Dynamics - ICCDF12, Jul 2024, Kobe, Japan. ⟨hal-04684223⟩
12 Consultations
0 Téléchargements

Partager

More