摘要：在科学研究和工业应用的复杂流域、多相流以及多物理流动问题的处理中,相较于传统计算流体力学方法(Computational Fluid Dynamics,CFD),格子玻尔兹曼算法(Lattice Boltzmann Method,LBM)具有程序结构简单、对复杂边界和非线性问题适应性强以及便于并行计算等诸多优点。然而,其作为一种显式算法,在计算过程中的迭代次数较多,进而消耗大量计算资源。利用神经网络在预测与回归方面的强大能力,基于LBM设计了一个具备单隐藏层的浅层人工神经网络预测模型并将其命名为ML-LBM(Machine Learning LBM)模型。该模型通过动态调整碰撞算子中不同驰豫时间,以粗化网格来重现精细分辨的参考模拟。对于顶盖驱动流问题,模型完成训练后,对测试集均方误差在6×10-5以下,精度得到了保障。相较于经典LBGK模型,ML-LBM模型的计算效率提升约9倍。

摘要：格子玻尔兹曼算法(LBM,Lattice Boltzmann method)相较于传统计算流体力学方法具有程序结构简单,对复杂边界和非线性问题适应性强以及便于并行计算等诸多优点。然而,其作为一种显式算法,在计算过程中的迭代次数较多,进而消耗大量计算资源。利用深度学习在预测与回归方面的强大能力,基于LBM设计了一个由卷积层与卷积长短期记忆层组成的人工神经网络预测模型并将其命名为C-LBM(compressed LBM)。该模型能等效替代多个普通LBM迭代。对于方腔环流问题,模型完成训练后,对测试集均方差在5×10^(-6)以下,对泛化算例在10-5以下,精度得到了保障。相较于串行LBM程序,C-LBM模型计算效率提升约15倍。

摘要：近年来,后扰流板风噪声成为汽车研究的热点,然而,其产生机理尚未完全清楚,同时,工程上的降噪也是亟待解决的难点。为了研究汽车后扰流板风噪声的产生机理并降低其对车内噪声的影响,首先,基于格子玻尔兹曼算法进行了可压缩非定常整车外流场仿真,通过统计能量分析法计算车内噪声响应,并利用风洞试验验证了计算结果的准确性。然后,采用可直观显示噪声源位置的波数分析方法,对玻璃面压力进行分解,得到湍流压力载荷和声压载荷,同时结合噪声频谱的分析结果,发现:后扰流板的低频噪声峰值主要由周期性脱落涡带来的声压以及涡旋和玻璃面作用带来的湍流脉动压力共同导致,而高频噪声峰值主要由高速气流引起的辐射声压导致。最后,提出了一个优化后的扰流板设计,使得车内噪声频谱低频段声压级降低了5.5 dB(A),高频段声压级降低了14 dB(A)。