Use of machine learning methods in numerical modelling hypersonic flows

Abstract

Корректное вычисление коэффициентов переноса при моделировании высокоскоростных потоков реагирующего воздуха является фундаментально важным при анализе процессов теплопередачи в различных задача газодинамики, например, при расчете теплозащиты спускаемых аппаратов. Наиболее физически точными в рамках континуального приближения являются так называемые поуровневые модели, которые в то же время обладают значительной вычислительной сложностью, в связи с чем обычно используются упрощенные одно- и многотемпературные приближения. Одним из способов эффективного применения таких моделей является регрессия коэффициентов переноса при помощи методов машинного обучения. В данной работе показано применение такого подхода к задаче моделирования коэффициентов вязкости и теплопроводности для 5-компонентной воздушной смеси в задаче обтекания сферы высокоскоростным воздушным потоком.

The correct calculation of transport coefficients in the modeling of high-speed reacting air flows is fundamentally important in the analysis of heat transfer processes in various gas dynamics problems, for example, in the calculation of the thermal protection of reentry vehicles. The most physically accurate within the continuum approximation are the so-called state-to-state models, which at the same time have significant computational complexity, and therefore simplified single- and multi-temperature approximations are usually used. One of the ways to effectively apply such models is to regress the transport coefficients using machine learning methods. This paper demonstrates the application of this approach to the problem of modeling the viscosity and thermal conductivity coefficients for an 5-component air mixture in the problem of high-speed air flow around a sphere.