Application of Multitask Learning for Enhancement of Spalart-Allmaras Turbulence Model

Das Kapitel konzentriert sich auf die Verbesserung des Spalart-Allmaras-Turbulenzmodells mithilfe von Multitask-Lernen und adressiert seine Grenzen bei hohen Reynolds-Zahlenströmen. Durch die Einführung eines datengestützten Korrekturbegriffs wird die Vorhersagegenauigkeit des Modells deutlich verbessert. Die Methodik umfasst die Lösung umgekehrter Probleme, um optimale Korrekturfunktionen abzuschätzen, und die Ausbildung eines maschinellen Lernmodells, um diese Korrekturen in Echtzeit vorherzusagen. Das Rahmenwerk wird durch numerische Simulationen verschiedener Profilkonfigurationen validiert, die wesentliche Verbesserungen bei den Vorhersagen des Aufzugskoeffizienten zeigen. Der Ansatz ist nicht nur auf das Spalart-Allmaras-Modell anwendbar, sondern kann auch auf andere Turbulenzmodelle ausgeweitet werden, was ihn zu einem vielversprechenden Fortschritt im Bereich der computergestützten Strömungsdynamik macht.