一种结合修正Morris分类筛选法和XGBoost的湍流模型闭合系数修正方法技术

本发明专利技术涉及一种结合修正Morris分类筛选法和XGBoost的湍流模型闭合系数修正方法，方法包括以下步骤：步骤一，针对不同密度级别的计算网格进行网格收敛性计算，验证网格计算精度，筛选合适研究网格；步骤二，依据OAT方法设置敏感度分析实验，为系数筛选创造数据集；步骤三，基于修正Morris分类筛选法计算不同闭合系数敏感度，依据敏感度阈值筛选敏感系数。步骤四，基于敏感系数结合CFD求解器生成小样本数据集。步骤五，结合XGBoost方法基于小样本数据集构建机器学习模型，预测与实验值对应的敏感系数。步骤六，将机器学习预测值与CFD求解器耦合，重新计算进行修正与验证。本发明专利技术可基于CFD数据针对不同构型气动力计算进行RANS方法下的湍流模型闭合系数修正研究，尤其是针对复杂航空器构型工程计算下的湍流模型闭合系数修正研究，能够在数据量较小的基础上预测出精度较高的修正值。度较高的修正值。

【技术实现步骤摘要】
一种结合修正Morris分类筛选法和XGBoost的湍流模型闭合系数修正方法


[0001]本专利技术涉及一种结合修正Morris分类筛选法和XGBoost的湍流模型闭合系数修正方法，该方法可以应用于气动力计算相关的CFD数值模拟中。

技术介绍

[0002]CFD数值模拟中，求解器的计算精度与可靠性问题一直是关注的研究重点。针对这些问题，美国航天航空学会到目前为止组织召开了多次阻力预测研讨会(Drag Prediction Workshop,DPW)，会议提供了大量的几何构型、计算网格、实验数据、研究文献等，会议通过给定与会者几何模型与计算工况，研究不同求解器的求解精度与可靠性，发现需要解决的问题并探索其解决方法。针对流体流动的数值模拟，目前采用的主要方法是直接数值模拟(Direct Numerical Simulation,DNS)，大涡模拟(Large Eddy Simulation,LES)和雷诺平均纳维斯托克斯(Reynolds Average Navier
‑
Stokes,RANS)数值模拟。在直接数值模拟和大涡模拟部分中，计算复杂度较高，针对复杂流动、较大规模网格量的数值模拟，现有的计算资源一般难以满足数值模拟的需要。在雷诺平均数值模拟中，虽然不存在对一切流动案例都适用的湍流模型，但是该方法对计算资源要求较低，且能够在较短时间内得出符合工程要求的计算结果，因此得到了广泛的推广与使用。
[0003]在利用RANS方法进行数值模拟中，由于问题非线性产生的方程不封闭，需要补充湍流模型，而所采用的湍流模型一般都含有闭合系数，这些系数通常是由简单构型在特定实验条件下结合经验进行标定、分析而确定的。用于推导湍流模型闭合系数的几何构型通常是二维的，不具有实际工程流动中的许多复杂流动特性。尤其是在大压力梯度、强涡流的三维流动中，直接采用这些湍流模型固有的闭合系数可能会对计算结果造成一定的误差影响。因此，在不同流动案例中针对湍流模型闭合系数的优化与校准对于提升计算精度有重要的应用价值。目前针对闭合系数的修正方法主要包含基于流动输运特性的经验方法、传统的参数辨识方法、以及结合神经网络、遗传算法的机器学习参数不确定性研究方法。

技术实现思路

[0004]本专利技术的目的在于针对含有大压力梯度、强涡流的三维复杂气动模拟中，基于少量CFD数据进行湍流模型闭合系数的修正，提升数值模拟精度。
[0005]在CFD数值模拟中，由于计算资源的限制，目前工程中所采用的数值方法一般为RANS方法，该方法可以在短时间内得到满足工程要求的数值计算结果，对计算资源的要求相对较低，但是采用RANS方法需要在不同类型的数值模拟中，选用不同的湍流模型。部分类型的数值模拟，由于几何结构以及流体流动的复杂性，需要针对湍流模型的部分系数进行修正，从而提升计算精度。
[0006]为了能够根据实验数据及CFD数据，对不同类型的流动模拟进行湍流模型系数修正，本专利技术提出了一种结合敏感度分析及机器学习的方法。该方法主要目标是利用敏感度
分析及机器学习技术修正湍流模型闭合系数，从而提高气动外流场CFD数值模拟的准确度。
[0007]根据上述专利技术构思，本专利技术的一种结合修正Morris分类筛选法和XGBoost的湍流模型闭合系数修正方法包括以下步骤：
[0008]步骤一，对计算构型进行网格收敛性实验，在给定计算迎角、雷诺数、固定升力系数下，对构型不同密度级别的网格进行数值计算，验证网格密度对计算结果的影响。如果升阻力系数计算结果随着网格密度的增加而没有明显的变化，则认为网格达到收敛状态，在后续实验中，可以选择网格量少的网格进行实验。
[0009]步骤二，依据OAT(one at a time)方法，设置敏感度分析实验。在研究迎角区间内，随机选择几个迎角，每个迎角下以湍流模型闭合系数标准值为基准，保持其余系数不变，只改变单一系数，观察闭合系数对升阻力的影响，其中一般以每个系数标准值的10％为增量，在标准值的50％到150％区间进行数值计算，为系数筛选准备数据集；
[0010]步骤三，在步骤二的数据集基础上，选用修正Morris分类筛选法进行敏感度计算，根据不同系数的敏感度绘制敏感度分布柱状图，依据筛选标准筛选敏感闭合系数；
[0011]步骤四，根据筛选出来的敏感系数，结合CFD求解器生成小规模的数据集，其中，数据集包含敏感系数与升阻力系数，然后对数据集进行机器学习前的预处理；
[0012]步骤五，基于步骤四生成的小样本数据集，结合XGBoost机器学习方法构建机器学习模型，在模型构建中根据超参调优方法如遗传算法、网格搜索法等调整机器学习模型，直至构建出预测精度最高的机器学习模型，然后利用机器学习模型预测与实验值对应的系数。
[0013]步骤六，将机器学习预测值耦合到CFD求解器中，重新进行研究工况下的数值计算，验证修正效果，最终完成系数的修正。
[0014]本专利技术的方法，与现有技术相比，具有以下突出的实质性特点和显著优点：
[0015]一、相对于其他修正方法，增加了网格收敛性计算，在网格收敛性前提下进行系数修正，可以避免选用密度较高的网格，从而减少资源的消耗，同时在网格收敛性研究中也可以筛选出计算精度更高的计算网格，使得修正研究更具合理性。
[0016]二、选用修正Morris分类筛选法，可以减小系数修正研究范围，简化研究问题，同时相对于全局敏感度研究，该局部筛选法对于计算资源以及数据集的要求也相对较少。
[0017]三、XGBoost方法在小规模数据集上有着优越的表现，选用该方法相较于采用神经网络、遗传算法等机器学习方法，对于数据集规模的要求更小。能够在基于小样本的CFD数据集上进行快速的回归拟合，效率更高，精度更好。
附图说明
[0018]图1为不同密度级别的计算网格。
[0019]图2为网格收敛性曲线。
[0020]图3为SA湍流模型不同闭合系数的敏感度分布。
[0021]图4为XGBoost均方根收敛曲线与测试集预测效果。
[0022]图5为系数修正前后的升阻力系数计算曲线。
具体实施方式
[0023]以下结合附图对本专利技术的实施例进一步详细说明。
[0024]案例选择基于SA湍流模型的DLR
‑
F6
‑
WB翼身组合体航空器构型气动计算案例，其中CFD数值实验基于高性能计算机进行，该机器采用华为E9000融合架构刀片服务器，共28台华为E9000高性能刀片服务器，每台服务器有28计算核心，共计784计算核心，集群计算峰值为60Tflops。实验中选用单节点28核。
[0025]步骤一，采用CFD求解器CFL3D在马赫数0.75，雷诺数3E6，升力系数0.5+/
‑
0.001，标准SA湍流模型下对DLR
‑
F6
‑
WB构型的粗、中、细三套网格(见图1)分别进行了数值计算，计算结果见图2。计算显示，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合修正Morris分类筛选法和XGBoost的湍流模型闭合系数修正方法包括以下步骤：步骤一，对计算构型进行网格收敛性实验，在给定计算迎角、雷诺数、固定升力系数下，对构型不同密度级别的网格进行数值计算，验证网格密度对施主计算结果的影响。如果升阻力系数计算结果随着网格密度的增加而没有明显的变化，则认为网格达到收敛状态，在后续实验中，可以选择网格量少的网格进行实验。步骤二，依据OAT(one at a time)方法，设置敏感度分析实验。在研究迎角区间内，随机选择几个迎角，每个迎角下以湍流模型闭合系数标准值为基准，保持其余系数不变，只改变单一系数，观察闭合系数对升阻力的影响，其中一般以每个系数标准值的10％为增量，在标准值的50％到150％区间进行数值计算，为...

【专利技术属性】
技术研发人员：ꢀ五一IntClG零六F三零二八，
申请(专利权)人：苏州流场信息技术有限公司，
类型：发明
国别省市：