我们开发了一种基于神经网络的可变湍流普朗特数模型，用于 𝑘-𝜖 湍流模型，以改进高超音速激波边界层相互作用（SBLIs）中的壁面加热预测。该模型通过在六个典型 SBLIs（三个马赫数为 8 的压缩斜坡和三个马赫数为 5 的正激波）上对空间变化的湍流普朗特数进行有限维场推断而开发。推断结果确定了一个能通过系统地将热传递从壁面移开从而降低壁面加热的湍流普朗特数。然后，对推断出的湍流普朗特数场进行训练，以一组李普希茨连续的神经网络开发出一个预测模型。我们在一系列测试案例（包括空心圆柱体扩散器和 HIFiRE 地面测试实验）上评估了所得的可变湍流普朗特数模型。机器学习增强的模型在靠近壁面处系统地增加 𝑃𝑟𝑡 以减少负湍流热通量，同时在远离壁面处降低 𝑃𝑟𝑡 以增强正湍流热通量，从而总体上减少向表面的热传递。结果表明，在各种条件下，所学模型对峰值加热的预测始终比基准的 𝑘-𝜖 模型、添加了各种高速修正的 𝑘-𝜖 模型以及剪切应力输运模型提高了 40% 至 70%。
AIAA JOURNAL， DOI：10.2514/1.J064745 |
