Use este identificador para citar ou linkar para este item: http://hdl.handle.net/11422/21933
Tipo: Dissertação
Título: Application of symmetry lters on a DNS database to build euclidean invariant data-driven turbulence models :a comparison between neural network and random forest machine learning techniques
Autor(es)/Inventor(es): Fonseca, Eduardo Ferreira
Orientador: Thompson, Roney Leon
Resumo: Em aplicações industriais, grande parte dos escoamentos acontece no regime turbulento. Soluções numéricas de alta acurácia, como Direct Numerical Simulation (DNS), tem custos computacionais proibitivos, portanto, grande parte dos problemas numéricos são resolvidos a partir do uso de modelos Reynolds Average Navier-Stokes (RANS), que têm como característica baixo custo computacional e acurácia muitas vezes não satisfatória. A utilização de técnicas de Machine Learning (ML) para modelos de turbulência, já vem sendo empregada na literatura, utilizando dados DNS como alvo nos modelos de ML, a partir de dados do campo de velocidade, ou do tensor de Reynolds, R. Em estudos recentes foi observado, entretanto, que os dados DNS de R não apresentam convergência satisfatória, quando comparados aos dados dos campos de velocidade e pressão. Para contornar este problema, foi desenvolvida a metodologia para correção do divergente modi cado de R, a partir apenas, do campo de velocidade, denominada de t, apresentando resultados promissores, quando comparados à R. Neste trabalho, o uso de base de dados com invariância Euclideana e a in uência da qualidade da base de dados DNS, utilizada em Redes Neurais (NN) e Florestas Randômicas (RF), para a previsão das propriedades turbulentas R e t, são investigados em um escoamento turbulento em duto quadrado. Um tratamento da base de dados DNS é realizado de modo a emular maiores tempos médios de simulação DNS e, consequentemente, melhor convergência dos mesmos. Os resultados obtidos por todos os modelos construídos mostram que há uma relação direta entre a convergência dos dados DNS, a simetria presente neste padrão de escoamento e o desempenho de modelos de turbulência guiados por dados.
Resumo: In industrial applications, great part of the ows occurs in the turbulent regime. Highly accurate numerical solutions, such as Direct Numerical Simulation (DNS), have prohibitive computational costs so most numerical problems are solved using Reynolds Average Navier-Stokes (RANS) models, which feature low computational cost and not often satisfactory accuracy. The use of Machine Learning (ML) techniques for turbulence models has already been used in the literature, setting DNS data as a target in ML models, based on data from the mean velocity eld, or the Reynolds stress tensor, R. In recent studies, however, it was observed that the DNS data for R does not show satisfactory convergence, when compared to data for the mean velocity and pressure elds. In order to get around this problem, a methodology was developed to correct the modi ed divergent of R, using only data related to the mean velocity eld, called t, which presented promising results when compared to R corrections. In this work, the use of a database with Euclidean invariance and the in uence of the quality of the DNS database, used in Neural Networks (NN) and Random Forests (RF), to predict the turbulent properties R and t, are investigated in a turbulent ow in a square duct. A treatment of the DNS database is carried out in order to emulate longer DNS averaging simulation times and, consequently, better convergence of related elds. The results obtained by all models built, show that there is a direct relation between the convergence of DNS data, the symmetry present in this ow pattern and the performance of data-driven turbulence models.
Palavras-chave: Turbulência
Aprendizado de máquina
Assunto CNPq: Engenharia Mecânica
Programa: Programa de Pós-Graduação em Engenharia Mecânica
Unidade produtora: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Editora: Universidade Federal do Rio de Janeiro
Data de publicação: Dez-2020
País de publicação: Brasil
Idioma da publicação: eng
Tipo de acesso: Acesso Aberto
Aparece nas coleções:Engenharia Mecânica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
942976.pdf2.17 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.