Lois de paroi basées sur l'apprentissage profond pour simulations aérodynamiques : Une nouvelle approche inspirée des lois des paroi classiques

A new deep learning-based approach to wall models is proposed here. The wall model is inspired by classical wall laws, which rely on wall dimensionless quantities, such as the wall distance y + , the wall velocity u + , the wall friction velocity u τ and the wall pressure gradient p +. This paper describes the model formulation, the implementation in a CFD code and demonstration simulations. The numerical results are presented for a flat plate boundary layer at zero pressure gradient and a bump case. The neural network models are trained on RANS datasets (Spalart-Allmaras model) from these configurations that account for different levels of adverse pressure gradient and Reynolds numbers. Finally, the wall model is applied and tested on RANS simulations with under-resolved meshes at the wall.
Une nouvelle approche des modèles de paroi basée sur l'apprentissage profond est proposée. Le modèle de paroi s'inspire des lois de paroi classiques qui reposent sur des quantités adimensionnelles de paroi, telles que la distance de paroi, la vitesse de paroi, la vitesse de frottement et le gradient de pression de paroi. La formulation du modèle et son implémentation dans un code CFD sont détaillées. Les résultats numériques sont présentés pour une couche limite de plaque plane à gradient de pression nul et un cas de bosse. Les réseaux neuronaux sont entraînés sur des ensembles de données RANS (modèle Spalart-Allmaras) provenant de ces configurations qui tiennent compte de différents niveaux de gradient de pression adverse et de nombres de Reynolds.Enfin, le modèle de paroi est appliqué et testé sur des simulations RANS avec des mailles sous-résolues au niveau de la paroi.