“室内空气环境质量控制”天津市重点实验室建造环境课题组（BERL），在期刊Indoor Air（JCR Q1, IF=6.554）发表室内CFD数值模拟模型研究论文。

题目：

数据驱动的RANS模型在室内气流模拟中的应用

Application of data-driven RANS model in simulating indoor airflow

作者：

Bingqian Chen,（陈冰倩，一作） Sumei Liu,（刘素梅，通讯作者） Junjie, Liu,（刘俊杰） Nan Jiang,（姜楠） 

Qingyan Chen（陈清焰）

研究亮点：

1) 开发了一种用于室内流动模拟的人工神经网络数据驱动 RANS 模型。

2）通过三个训练案例和四个测试案例验证数据驱动模型。

3）数据驱动模型提高了各向异性流的预测，最高可达90.2%。

背景：

雷诺平均 Navier-Stokes 方程 (RANS) 模型是模拟室内气流最常用的模型。然而， 其重要假设——Boussinesq 假设仅适用于各向同性流。这导致 RANS 模型对许多各向异性室内气流的预测不准确，如二次回流、分离流以及热羽流。

传统的修正方法包括校准标准k-ε模型的系数；提出一种非线性涡粘模型，应用阻尼函数来调整模型系数。然而，这些研究只解决了部分问题且仅基于一组有限的实验数据，因此并不总是正确的，特别是对于复杂的流动。

数据驱动方法利用海量数据构建响应对输入变量的回归函数，弥补了传统方法实验数据有限的缺陷。数据驱动方法可以采用两种方式，参数方法和非参数方法。

非参数方法提出一个非线性雷诺应力模型，该模型不依赖于各向异性流动的各向同性假设。但由于非线性部分组成复杂，各项系数难以确定，并未得到广泛应用。近年来，一些学者采用数据驱动的方法来确定非线性雷诺应力模型的系数。但目前的数据驱动模型不适用于室内气流模拟。

本研究的目的是开发一种适用于室内各向异性流动的数据驱动湍流模型。使用人工神经网络来计算 Navier-Stokes 方程中雷诺应力的非线性项。选取三个典型的室内案例作为训练集，另外四个案例作为测试集，验证模型的泛化性。

主要成果1：

利用人工智能方法建立非线性项bij与Ti、λi之间的隐函数关系。然后可以在CFD模型中使用建立的函数来预测非线性项bij，从而提高数值模型的准确性。 

图 1 数据驱动模型仿真框架示意图。

图 2 输入变量 Ti 和 λi 与输出变量 bij 之间的关系。

主要成果2：

通过LES、RNG k-ɛ模型和数据驱动模型在模拟各向异性流的训练案例中获得的结果。使用具有简单几何形状的强制、自然和混合对流情况来训练数据驱动模型使数据驱动模型在计算训练案例时能准确模拟各向异性流动。

(a)                   (b)                   (c)

图 3 (a) 强制对流、(b) 自然对流和 (c) 混合对流的训练案例

用ANN模型计算的bij 分布与LES计算的流场分布相似。与传统的RNG k-ɛ模型相比，bij的数据驱动模型在各向异性流动区域中比传统的RNG k-ɛ模型更准确地预测了强制、自然和混合对流的空气速度、空气温度和湍动能，而它在各向同性区域并没有明显优势。而且，其模拟精度不如LES。

主要成果3：

数据驱动模型的泛化性验证。结果显示，数据驱动模型在模拟新的案例时也能改进原来RNG k-ɛ模型模拟各向异性流动不准的问题。

图4测试用例：（a）强制对流，（b）自然对流，（c）简单混合对流和（d）复杂混合对流。

用具有足够室内气流特征的训练案例来训练一个人工神经网络模型可以使其具有一定的泛化性。因为ANN模型正确地包含了bij和Ti、λi之间的隐含非线性关系。当新的 Ti 和 λi 被用作输入时，ANN模型预测测试用例的新bij，从而数据驱动模型可以准确预测测试用例的流动。

原文：Application of data‐driven RANS model in simulating indoor airflow

October 2022 Indoor Air 32(10)

DOI: 10.1111/ina.13123

编辑人：陈冰倩

第一审核人：田媛

第二审核人：刘俊杰

第三审核人：何明桐