基于LSTM-POD的汽车湍流尾迹的高时间分辨速度场重构.pdfVIP

基于LSTM-POD的汽车湍流尾迹的高时间分辨

速度场重构*

［摘要］本文针对方背Ahmed汽车标模的湍流尾迹，建立基于长短时记忆法（longshort-termmemory，LSTM）和

本征正交分解（properorthogonaldecomposition，POD）相结合的深度学习模型LSTM-POD。通过建立非时间分辨平面

速度场POD模态系数和若干离散点的时间分辨速度信号的映射关系，实现了方背Ahmed汽车标模湍流尾迹流场的高

时间分辨率重构，并对比了不同时间步长配置，即单时间步长（LSTM-Sin）和多时间步长（LSTM-Mul）对重构效果的影

响。研究表明：LSTM-POD模型在时间序列重构中具有较强的学习和泛化能力。另外，LSTM-Mul考虑到了时间上的

连续性和相关性，相较于LSTM-Sin，其重构出的低阶模态系数和速度场与POD的重构结果更吻合。本研究提出的深

度学习模型可以缓解通过实验及高精度数值模拟获取高时间分辨率流场数据资源消耗大、计算效率低等问题。

关键词：汽车湍流尾迹；深度学习；流场重构；本征正交分解；长短时记忆法

AHighTime-ResolutionReconstructionontheAutomotiveTurbulentWake

BasedonLSTM-POD

［Abstract］Adeep-learningLSTM-basedPODmodel（LSTM-POD）basedonlongshort-termmemory

（LSTM）andproperorthogonaldecomposition（POD）isdevelopedfortheturbulentwakeofthesquare-backAhmed

automotivegeneralmodel.Ahightime-resolutionreconstructionisachievedbyestablishingthemappingrelation⁃

shipbetweenthePODmodalcoefficientsofthenon-time-resolvedplanarvelocityfieldandthetime-resolvedveloci⁃

tysignalsatanumberofdiscretepoints，andtheeffectofdifferenttime-stepconfigurations，i.e.，thesingletime

step（LSTM-Sin）andmultipletimesteps（LSTM-Mul）onthereconstructionresultsiscompared.Theresultsshow

thattheLSTM-PODmodelhasstronglearningandgeneralizationabilityintimeseriesreconstruction，Inaddition，

LSTM-Mulconsiderstemporalcontinuityandcorrelation，thereconstructedmodecoefficients（lowerorder）andve⁃

locityfieldsofwhicharemoreconsistentwiththePODreconstructedresultscomparedwiththatofLSTM-Sin.The

deeplearningmodelproposedinthisstudycanalleviatetheproblemsofhighresourceconsumptionandlowcompu⁃

tationalefficiencyinobtaininghightimeresolutionflow