Aggregation of turbulence models for turbomachinery flows using Bayesian calibration and machine learning
Agrégation de modèles de turbulence pour les écoulements dans les turbomachines par calibration Bayésienne et apprentissage machine
Résumé
Despite the rapid growth in computational power, Direct Numerical Simulations (DNS) and Large Eddy Simulations (LES) remain prohibitively expensive for simulating complex industrial flows, such as those in turbomachinery. Consequently, Reynolds-Averaged Navier-Stokes (RANS) modelling continues to be the primary tool for industrial design and optimisation. However, selecting the appropriate RANS model poses a significant challenge due to the absence of a consensus on which model performs best, as each is only reliable within the flow configurations for which it was calibrated. As a result, expert judgement plays a crucial role in model selection, highlighting the importance of accurately quantifying and minimising the uncertainties associated with RANS modelling. To address these uncertainties, previous research has focused on updating and/or combining a predefined set of RANS models. While these approaches show promise, they typically assume constant combination weights across the covariate space, ignoring the fact that model accuracy can vary depending on the region of interest, and often do not involve updates to improve model predictions. This thesis explores three data-driven approaches for updating and combining the solutions of multiple competing turbulence models. The first method aggregates predictions from updated models using Bayesian calibration, with space-dependent weights that leverage local flow information. To enhance the generalizability of this approach, the second method updates and aggregates models within coherent physical dynamics, identified through an unsupervised clustering algorithm applied to novel local flow features. This method demonstrates improved generalizability and easier implementation compared to the first. Building on the physical-dynamic-based calibration, the third approach employs experimental data from four simple configurations, each representing a different physical dynamic, to calibrate the models. The predictions from these updated models are then aggregated using space-dependent weights, optimising the use of each model within its calibrated physical dynamic. Notably, this method is applied for the first time to a 3D turbomachinery configuration—the NACA65 linear compressor cascade—demonstrating superior predictive performance compared to any of the baseline models in the competing set.
Malgré la croissance exponentielle de la puissance de calcul, les simulations numériques directes (DNS) et les simulations des grandes échelles (LES) restent trop coûteuses en calcul pour les configurations industrielles complexes, telles que les turbomachines. Par conséquent, l'utilisation de modèles moyennés (RANS) demeure la méthode prédominante pour la conception et l'optimisation industrielles. Cependant, le choix du modèle RANS reste un défi en raison de l'absence de consensus sur le modèle le plus performant, chacun étant seulement fiable dans les configurations pour lesquelles il a été calibré. En conséquence, le jugement d'experts joue un rôle crucial dans la sélection des modèles, soulignant l'importance de quantifier et de minimiser avec précision les incertitudes associées à la modélisation RANS. Pour réduire ces incertitudes, les études précédentes se sont concentrées sur la calibration et/ou la combinaison d'un ensemble de modèles RANS. Bien que ces approches soient prometteuses, elles supposent généralement des pondérations constantes, ignorant le fait que la précision des modèles peut varier en fonction de la région d'étude, et ne procèdent souvent pas à des mises à jour des modèles pour améliorer leur prédiction. Cette thèse explore trois approches basées sur les données pour calibrer et l’agréger des prédictions de différents modèles. La première méthode consiste à agréger les prédictions des modèles calibrés dans un cadre bayésien, avec des pondérations dépendantes de l'espace qui exploitent les performances locales des modèles. Pour améliorer la généralisabilité de cette approche, la deuxième méthode repose sur la calibration et l'agrégation des modèles au sein de dynamiques physiques cohérentes, identifiées à l'aide d'un algorithme de clustering non supervisé appliqué à un ensemble de nouvelles grandeurs locales caractéristique de l'écoulement. Cette méthode démontre une meilleure généralisabilité et une mise en œuvre plus simple que la première. Les deux méthodes sont développées et testées sur une cascade de compresseurs linéaire 2D. S'appuyant sur la calibration au sein d'une dynamique physique, la troisième approche utilise des données expérimentales provenant de quatre configurations simples, chacune représentant une dynamique physique différente, pour calibrer les modèles. Les prédictions de ces modèles calibrés sont ensuite agrégées en utilisant des pondérations dépendantes de l'espace, optimisant ainsi l'utilisation de chaque modèle dans sa dynamique physique de calibration. Il est important de souligner que cette méthode est appliquée pour la première fois à une configuration 3D de turbomachines—la cascade linéaire NACA65—et démontre des performances prédictives supérieures à celles de tous les modèles de référence dans l'ensemble initial.
Origine | Version validée par le jury (STAR) |
---|