流场特征识别的无量纲时程深度学习方法

流场的特征直接影响结构的流致振动状态,对结构绕流流场的特征分析具有重要的研究意义。在中高雷诺数与不同流速的情况下,尾流中隐含的流场特征不同,传统数学物理方法很难对其特征进行提取与识别。该文提出了采用无量纲的物理量时程进行流场特征识别的深度学习方法,消除了不同来流速度的影响,仅通过时程的时变特征进行特征识别,扩大了特征识别方法的应用范围。采用两种不同深度学习模型对三种棱柱的尾流进行了特征提取与识别,通过比较可以发现：归一化的时程中仍包含不同形状物体所引起流场的关键特征,可用于流场的特征提取;使用归一化时程进行流场特征识别可降低模型训练难度,又提高了特征提取的精度,是一种流场特征提取的新方法。     

基于时程深度学习的桥面绕流表征与重构方法

流场特性的研究是结构风工程的核心问题,而高分辨率的流场数据对解决风致振动问题、探索流固耦合机理具有着重要意义。受测量方法、计算效率等因素限制,高空间分辨率的流场时程数据的直接获取仍有一定困难。该文基于流场时程数据的表征模型,提出了桥面非定常流动时程重构的深度学习方法。基于一维卷积方法建立了非定常桥面绕流场的表征模型,得到了物理空间与表征模型的编码空间之间的映射关系,最后利用表征模型的解码器生成未知测点处的流场时程数据。对较低雷诺数桥梁主梁的非定常绕流流场进行了研究与验证,实现了桥面绕流的时程数据重构,验证了方法的准确性与可行性。该文所提方法基于流场的时程数据进行表征与重构,可广泛应用于工程中基于一点的传感器数据处理,是一种桥面流场数据分析的新方法。