A machine-learning based zonal approach for turbulence modeling

Turbulence models for the Reynolds-averaged Navier--Stokes equations (RANS) based on the eddy viscosity concept still are the leading approach for Computational Fluid Dynamics (CFD) simulations. Nevertheless, universal models with good predictive capabilities over a wide range of flows remain a challenge. In this work, machine learning is used to enhance the ability of existing turbulence models to provide acceptable results. The approach leverages a neural network to identify and segment different zones in the flow field, and locally adapts the modeling of turbulence to the physical nature of each zone, via a proper combination of existing models that have been preliminarily tuned to work well in a small set of elementary flows. The work presents the idea, accompanied by a preliminary implementation of the methodology, where only two different flow zones are identified, and only two standard turbulence models are used. A test case demonstrates that, already in this oversimplified form, predictive capabilities are improved in comparison to the baseline RANS models.

I modelli di turbolenza, basati sul concetto di viscosità turbolenta, per le equazioni di Navier--Stokes mediate alla Reynolds sono tuttora il principale approccio per le simulationi di fluidodinamica computazionale. Modelli universali con buone capacità predittive su un ampia gamma di flussi rimangono ancora tuttavia una sfida. In questo lavoro, è stato utilizzato il machine learning per migliorare le capacità di offrire risultati accettabili dei modelli attualmente esistenti. L'approccio utilizza una rete neurale per l'identificazione e la segmentazione di zone con caratteristiche differenti nel campo di moto. Successivamente adatta localmente la modellazione della turbolenza alla natura fisica di ciascuna zona tramite un'opportuna combinazione di modelli esistenti, che sono stati preliminarmente messi a punto per funzionare bene in un piccolo insieme di flussi elementari. Il lavoro presenta l'idea, in contemporanea ad un'implementazione preliminare della metodologia. Solo due zone di flusso differenti sono identificate, e solo due modelli di turbolenza vengono utilizzati. Un caso test dimostra, già per questa implementazione semplificata, che le abilità predittive del modello presentato migliorano in confronto a modelli di turbolenza standard.