메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
허서연 (광주과학기술원) 윤예지 (광주과학기술원) 김민성 (광주과학기술원) 정민재 (광주과학기술원) 지솔근 (광주과학기술원)
저널정보
한국전산유체공학회 한국전산유체공학회지 한국전산유체공학회지 제27권 제2호
발행연도
2022.6
수록면
12 - 19 (8page)
DOI
10.6112/kscfe.2022.27.2.012

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
A data-driven approach is investigated to improve the Spalart-Allmaras (SA) turbulence model. The field inversion and machine learning framework is chosen for the model improvement. Flow around the S809 airfoil is chosen for the test case. In this approach, a spatial-varying correction term is obtained using the discrete adjoint method in the field inversion process. Then, an artificial neural network is constructed to generalize the correction term with relevant flow features. This study shows that the corrected SA model reduces the turbulence production near the separation point, which leads to the improved prediction of the stalled airfoil at high angles of attack. Detailed investigation on modified flow fields and airfoil pressure distribution is conducted in this study to explain how the machine-learned model improves the turbulence model for separated flow.
#난류 모델링(Turbulence Modeling) #유동 박리(Flow Separation) #기계학습(Machine Learning)

목차

1. 서론
2. 본론
3. 결과
4. 결론
References

참고문헌 (14)

참고문헌 신청
2019, Xiao, H. and Cinnella, P., "Quantification of model uncertainty in RANS simulations: A review," Progress in Aerospace Sciences, Vo1.08, pp.1-31. google schola 2019, Duraisamy, K., Iaccarino, G. and Xiao, H., "Turbulence modeling in the age of data," ProceeAnnual Review of Fuid Mechanics, Vol.51, pp.357-377. google schola 2017, Wang, J.X., Wu, J.L. and Xiao, H., "Physics-informed machine learning approach for reconstructing Reynolds stress modeling discrepancies based on DNS data," Physical Review Fluids, Vol.2(3), 034603. google schola 2016, Ling, J., Kurzawski, A. and Templeton, J., "Reynolds averaged turbulence modeling using deep neural networks with embedded invariance," Journal of Fluid Mechanics, Vol.807, pp.155-166. google schola 2011, Cheung, S.H., Oliver, T.A., Prudencio, E.E., Prudhomme, S. and Moser, R.D., "Bayesian uncertainty analysis with applications to turbulence modeling," Reliability Engineering & System Safety, Vol.96(9), pp.1137-1149. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

기계학습을 통한 유동 박리 현상에 대한 난류 모델링
김민성 ,  엄준호 ,  김태순 외 7명 한국항공우주학회 학술발표회 초록집 2021 .11
Lattice-Boltzmann Method를 이용한 제자리 및 전진 비행하는 로터 블레이드의 공력해석
이혁진 ,  양진용 ,  명노신 외 1명 한국전산유체공학회지 2021 .12
필드 반전과 기계 학습 기법을 이용한 데이터 기반 난류 모델링
김민성 ,  김태순 ,  허서연 외 1명 대한기계학회 춘추학술대회 2021 .08

최근 본 자료

전체보기

댓글(0)

0