基于神经网络的CFD粗网格模拟优化方法研究

摘要

为缓解使用计算流体力学(Computational Fluid Dynamics,CFD)程序进行反应堆热工水力数值模拟中计算效率和计算精度之间的突出矛盾,以实现在较高计算效率下得到较高精度的计算结果,研究借助机器学习(Machine Learning,ML)中的前馈神经网络(Feedforward Neural Network,FNN)方法,通过对一定数量物理过程类似但具体参数不同的工况在粗网格、细网格两套网格下数值模拟计算结果差异的对比,得到针对同类工况具有推广适用性的误差函数表达式,对粗网格的数值模拟计算结果进行优化.通过比较优化前后相关物理量的计算结果与细网格下计算结果之间的均方根误差(Root Mean Square Error,RMSE),对优化效果进行评价.结果表明:粗网格计算结果在经由前馈神经网络得到的误差函数优化后,与细网格相关物理量的均方根误差显著降低.因此,研究建立的基于神经网络的粗网格数值模拟优化技术,可以有效提高反应堆粗网格数值模拟的计算精度,为在较高计算效率下实现较高精度的数值模拟提供了方法借鉴.