Wall model based on neural networks for LES of turbulent flows over periodic hills
نویسندگان
چکیده
A data-driven wall model for turbulent flows over periodic hills is developed using a feedforward neural network and wall-resolved large-eddy simulation data. The employs wall-normal distance, near-wall velocities, pressure gradients as input features, the shear stresses output labels, respectively. In $a$ $p\phantom{\rule{0}{0ex}}r\phantom{\rule{0}{0ex}}i\phantom{\rule{0}{0ex}}o\phantom{\rule{0}{0ex}}r\phantom{\rule{0}{0ex}}i$ test, accuracy of trained examined hill cases at different Reynolds numbers with geometries. $p\phantom{\rule{0}{0ex}}o\phantom{\rule{0}{0ex}}s\phantom{\rule{0}{0ex}}t\phantom{\rule{0}{0ex}}e\phantom{\rule{0}{0ex}}r\phantom{\rule{0}{0ex}}i\phantom{\rule{0}{0ex}}o\phantom{\rule{0}{0ex}}r\phantom{\rule{0}{0ex}}i$ applied to flow channel flows.
منابع مشابه
DNS , LES , and wall - modeled LES of separating flow over periodic hills
Separating flow in a channel with streamwise periodic constrictions is investigated using direct numerical simulation (DNS), large eddy simulation (LES), and wall-modeled LES (WMLES). The Reynolds number based on the hill height and the bulk velocity above the hill crest is 10,595. The results presented include mean velocities, Reynolds stresses, and separation/reattachment points. High-resolut...
متن کاملapplication of upfc based on svpwm for power quality improvement
در سالهای اخیر،اختلالات کیفیت توان مهمترین موضوع می باشد که محققان زیادی را برای پیدا کردن راه حلی برای حل آن علاقه مند ساخته است.امروزه کیفیت توان در سیستم قدرت برای مراکز صنعتی،تجاری وکاربردهای بیمارستانی مسئله مهمی می باشد.مشکل ولتاژمثل شرایط افت ولتاژواضافه جریان ناشی از اتصال کوتاه مدار یا وقوع خطا در سیستم بیشتر مورد توجه می باشد. برای مطالعه افت ولتاژ واضافه جریان،محققان زیادی کار کرده ...
15 صفحه اولذخیره در منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ژورنال
عنوان ژورنال: Physical review fluids
سال: 2021
ISSN: ['2469-9918', '2469-990X']
DOI: https://doi.org/10.1103/physrevfluids.6.054610