Data-driven Modellierungsmethoden erhalten einen immer höheren Stellenwert in der Wissenschaft und der
Industrie. Computational Fluid Dynamics erweist sich als ein exemplarisches Gebiet, um solche Methoden zu
entwickeln und anzutreiben. Im Zentrum dieser Thesis steht der spezifische Prozess Field Inversion and
Machine Learning (FIML), entwickelt von Parish und Duraisamy [1], Duraisamy et al. [2, 3] und Singh et al.
[4]. FIML strebt an, bestehende RANS Turbulenzmodelle mithilfe von Messdaten oder hoch qualitativen
Simulationsdaten zu optimieren.
Die Feld Inversion wird mittels einer Zielfunktion formuliert, welche die Differenz zwischen dem Base
Model und dem Truth Model ausdrückt. Zusätzlich wird die Zielfunktion durch einen Tikhonov Term
regularisiert. Diese Funktion wird anschliessend mit einem Optimierungsalgorithmus und der diskreten
Adjoint Methode iterativ minimiert, um ein Diskrepanzfeld zu erhalten, welches den Unterschied zwischen
dem Base und Truth Model wieder gibt. Ein Machine Learning Algorithmus lernt anschliessend die
Beziehung zwischen dem Diskrepanzfeld und selektierten Features des Base Models. Das trainierte Model
wird in einem finalen Schritt an das Base Turbulenzmodel gekoppelt, welches somit das optimierte Model
darstellt.
Ziel dieser Arbeit ist es, den FIML Prozess innerhalb des Druck-gekoppelten CFD Solvers coupledNumerics
[5] anzuwenden. Mit dem proof of concept wird der Prozess an einem U-Rohr validiert. Dies, indem das
Spalart-Allmaras Turbulenzmodell (Base Model) optimiert wird, um die gleichen Resultate wie das Spalart-
Allmaras Model mit Rotations- und Krümmungskorrektur (Truth Model) zu erzielen. In einem zweiten
Schritt wird die Generalisierungsfähigkeit des FIML Verfahrens auf verschiedene Reynolds Zahlen und
Rohrgeometrien getestet. Als letztes wird der Prozess an wenig vorhandenen realen Messdaten angewendet.
Hierfür wird der zwei dimensionale Hump als Geometrie verwendet, welcher einen hohen Druckgradienten
erzeugt.
Der proof of concept zeigt, dass der FIML Prozess fähig ist, das Diskrepanzfeld zu extrahieren und
anschliessend die inherente Beziehung zwischen diesem Feld und den Features in neuen Simulation
wiederzugeben. Der Random Forest Algorithmus erzeugte konsistentere Resultate mit weniger Aufwand im
Vergleich zu einem simplen Neuralen Netzwerk. Die Genauigkeit des Machine Learning Models basiert auf mehreren Faktoren, reduziert aber in jedem Fall die Genauigkeit des Diskrepanzfeldes von der
vorhergehenden Feld Inversion. Der Generalisierungstest zeigt, dass das optimierte Turbulenzmodell auf
unterschiedlichen Reynolds Zahlen und Geometrien anwendbar ist, solange diese genügende Ähnlichkeiten
aufweisen. Die Verwendung von gemessenen Reibungskoeffizienten für die Feld Inversion zeigte, dass das
Resultat einen under- oder overfit zu den Truth Daten erzeugen kann.
Data-driven modelling has gained momentum in science and engineering and computational fluid dynamics
is an exemplary field to explore this approach. Central to this thesis is the specific framework of Field
Inversion and Machine Learning (FIML) developed by Parish and Duraisamy [1], Duraisamy et al. [2, 3] and
Singh et al. [4] to improve existing RANS turbulence models using measurement or high-fidelity simulation
data.
Key of the paradigm is the field inversion, where an objective function is formulated in terms of the
difference between the base model and the truth model. This thesis uses a formulation with Tikhonov
regularization. The objective function is then iteratively minimized using an optimization algorithm with a
discrete adjoint method to extract the spatial discrepancy of the model. A machine learning algorithm is
employed to learn the relationship between this discrepancy field and selected features of the base model.
The machine learning model is linked to the base model, capable of conducting simulations resembling the
truth model.
The goal of this thesis is to apply the proposed FIML framework within the pressure-coupled solver
coupledNumerics [5]. The proof of concept aims to validate the FIML procedure: The Spalart-Allmaras
turbulence model (base model) is optimized to equal the Spalart-Allmaras rotation and curvature correction
model (truth model) using a U-turn pipe as geometry. In a second step, the generalization capabilities of the
FIML procedure are verified by training and predicting on varying Reynolds numbers and pipe geometries. In
a final step, the FIML paradigm is applied to an adverse pressure gradient case, using the 2-dimensional wall
mounted hump geometry and sparse experimental values only as truth model.
The proof of concept shows that the FIML paradigm is capable of inferring the discrepancy field via an
inverse problem using full-field data and that machine learning tools are able to recreate this field for new
simulations. The random forest algorithm showed more consistent results with less effort than a simple neural
network implementation. The accuracy of the machine learning model depends on many factors such as the
selected hyperparameters and features but can never perfectly reproduce the field inversion results,
diminishing therefore the overall accuracy of FIML. The generalization test proofs that the paradigm is
capable of being applied to different flows and geometries, as long as they are similar. Using the friction
coefficient as sparse data to inform the objective function for the hump, it is found that difficulties arise to
obtain a result which neither under- nor overfits the truth model data during the field inversion.