Data-Driven RANS Closure for NACA 0012 wake
Ciao a tutti, Sono uno studente di Ingegneria Aerospaziale, attualmente al terzo anno presso il Politecnico di Torino, e sto ultimando la mia tesi sulla modellazione della turbolenza basata sui dati per la correzione RANS (con particolare attenzione all'anisotropia e alla correzione dell'energia cinetica turbolenta per la scia di un profilo alare NACA 0012).
Dato che la letteratura su questo argomento è estremamente eterogenea (diverse basi invarianti, diverse metriche target, TBNN vs KAN, ecc.), mi risulta difficile stabilire un confronto diretto "a parità di condizioni". Mi piacerebbe ricevere un feedback dalla comunità CFD/ML sulla competitività delle mie metriche attuali rispetto allo stato dell'arte.
Per superare la "perdita di informazioni" direzionale tipica delle reti neurali transizionali pure (TBNN) in scie fortemente bidimensionali, ho sviluppato un'architettura MLP a cascata (Dual-Brain) con alcuni vincoli specifici basati sulla fisica:
- Pre-addestrata sul dataset universale di McConkey, fuso con un'assimilazione di dati sparsi del 15% dalla scia target del NACA (con aggiunta di rumore gaussiano per la regolarizzazione). Valutata rigorosamente sull'85% non visto del dominio della scia (zero-shot sulla parte restante).
- Utilizzata una base invariante modificata. Ho aumentato gli invarianti di Pope standard con componenti tensoriali direzionali non invarianti specifiche (adimensionalizzate tramite scala temporale turbolenta) per fungere da "bussola spaziale", risolvendo la cecità spaziale del modello.
- Invece di applicare un troncamento rigido a posteriori, ho incorporato i vincoli di realizzabilità del triangolo di Lumley direttamente nella funzione di perdita tramite penalità soft (penalizzando l'ottimizzatore se bii scende al di sotto di -1/3).
- Il cervello 1 prevede l'anisotropia (bij). Il cervello 2 utilizza queste previsioni + le caratteristiche per produrre il rapporto di correzione TKE (k).
Risultati (valutati sull'85% della scia NACA non vista rispetto al riferimento LES):
Anisotropia globale (bij): |RANS: 100,3% AI: 10,9%|
Tensioni di Reynolds globali (uij): |RANS: 66,4% AI: 8,7%|
Errore di modulo energetico globale (Frobenius): **|RANS: N/D AI:**0,6%|
uu: RANS 69,5% -> AI 8,4%
uv: RANS 94,2% -> AI 17,1% (Previsto come il più difficile da mappare)
vv: RANS 58,6% -> AI 7,4%
k: RANS 44,6% -> AI 5,9%
Le mie domande per gli esperti:
- Considerando la valutazione rigorosa sull'85% del dominio non visto, un errore L2 dell'8,7% sulle tensioni di Reynolds dimensionali (uij) è considerato lo stato dell'arte per i modelli basati su MLP al giorno d'oggi?
- L'errore di magnitudine globale è estremamente basso (0,6%), che attribuisco ai rigorosi vincoli fisici nella funzione di perdita. Avete riscontrato metriche di risparmio energetico simili in pubblicazioni recenti?
- Ci sono pubblicazioni recenti specifiche che consigliereste di confrontare con questo metodo?
Grazie in anticipo per il vostro tempo e il vostro feedback!