Three-dimensional variational data assimilation of separated flows using time-averaged experimental data

Diese Arbeit präsentiert ein neuartiges dreidimensionales variatonsbasiertes Datenassimilations-Framework, das planare PIV-Experimentaldaten mit dem Spalart-Allmaras-RANS-Modell integriert, um Messfehler effektiv von Defiziten des Turbulenzmodells zu trennen, wodurch die Strömungsvorhersagen für abgelöste Strömungen über einem NACA0012-Profil im Vergleich zu herkömmlichen zweidimensionalen Methoden signifikant verbessert werden.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, den perfekten Kuchen zu backen, aber Ihr Rezept (das Computermodell) kommt immer etwas falsch heraus. Zudem haben Sie ein Foto eines echten Kuchens (experimentelle Daten), das Sie angleichen möchten. Das Problem ist jedoch, dass das Foto ein wenig unscharf ist, einige Zutaten fehlen und aus einem seltsamen Winkel aufgenommen wurde.

In diesem Papier geht es darum, eine neue Methode zu entwickeln, um das Rezept so zu korrigieren, dass es besser zum echten Kuchen passt, selbst wenn das Foto nicht perfekt ist.

Das Problem: Das „flache“ Foto vs. die „runde“ Realität

Wissenschaftler nutzen Computermodelle, um vorherzusagen, wie sich Luft über Flugzeugflügel bewegt. Diese Modelle sind wie Rezepte. Manchmal ist das Rezept etwas daneben, besonders wenn der Flügel in einem „tiefen Stall“ (einer Situation, in der der Flügel aufhört gut zu funktionieren, wie ein Flugzeug, das in der Luft einen Strömungsabriss erleidet) ist.

Um das Rezept zu korrigieren, nutzen Wissenschaftler eine Technik namens Datenassimilation. Sie nehmen reale Messungen (wie ein Foto der Luftströmung) und zwingen das Computermodell, sich an dieses anzupassen.

Es gibt jedoch einen Haken: Die realen Messungen stammen aus einer Technik namens PIV (Particle Image Velocimetry), die einen 2D-„Schnitt“ oder ein flaches Foto der Luft liefert. Aber die Luft, die sich um einen Flügel bewegt, ist tatsächlich 3D (sie bewegt sich oben, unten, links, rechts und auch in und aus dem Foto heraus).

Das Papier argumenttiert, dass bisherige Methoden versuchten, dieses flache, 2D-Foto so anzupassen, dass es einer 3D-Realität entspricht, indem sie vorgaben, die Luft bewege sich nur in zwei Richtungen. Das ist so, als würde man versuchen, eine runde Orange in ein quadratisches Loch zu pressen; man muss sie zusammendrücken und verformen, damit sie hineinpasst.

Die alte Methode: Die „zusammengedrückte Orange“ (2D-Assimilation)

In der alten Methode (genannt 2DVar) nahmen Wissenschaftler das flache Foto und zwangen das Computermodell, den Regeln einer 2D-Welt zu gehorchen.

• Die Analogie: Stellen Sie sich vor, das Computermodell ist ein Schüler, der versucht, eine Matheaufgabe zu lösen. Der Lehrer (die realen Daten) gibt ihm eine unscharfe, leicht falsche Antwort. Der Schüler versucht, seine eigene Antwort zu ändern, um der des Lehrers zu entsprechen.
• Der Fehler: Da die Antwort des Lehrers von einem flachen Foto einer 3D-Welt aufgenommen wurde, enthält sie „Fehler“ (sie ist nicht perfekt im Gleichgewicht). Der Schüler, der versucht, dies anzugleichen, beginnt, seine eigene Mathematik auf seltsame Weise zu verändern. Er gibt seiner eigenen schlechten Mathematik die Schuld für das, was eigentlich nur das flache Foto des Lehrers war.
• Das Ergebnis: Die „Korrektur“, die der Schüler vornimmt, ist riesig und chaotisch. Sie korrigiert sowohl die mathematischen Fehler als auch den Versuch, das flache Foto zu korrigieren. Man kann nicht mehr unterscheiden, welcher Teil der Korrektur die Mathematik verbesserte und welcher Teil nur dazu diente, das schlechte Foto zu korrigieren.

Die neue Methode: Die „3D-Brille“ (3D-Assimilation)

Die Autoren dieses Papiers haben eine neue Methode erfunden (genannt 3DVar). Anstatt die Luft flach zu halten, lassen sie das Computermodell in der dritten Dimension (der Tiefe) atmen, obwohl das Foto nur einen flachen Schnitt zeigt.

• Die Analogie: Jetzt trägt der Schüler eine 3D-Brille. Er weiß, dass das Foto des Lehrers nur ein Schnitt eines 3D-Objekts ist. Wenn das Foto „unausgewogen“ aussieht (divergent), erkennt der Schüler: „Ah, die Luft muss in das Foto hinein oder aus dem Foto heraus strömen, damit dies im Gleichgewicht ist!“
• Die Lösung: Das Computermodell erlaubt der Luft, sich in diese dritte Richtung zu bewegen. Dies korrigiert auf natürliche Weise die „unausgewogenen“ Teile des Fotos, ohne dass die Mathematik erzwungenermaßen gebrochen werden muss.
• Das Ergebnis: Die „Korrektur“, die der Schüler vornimmt, ist nun viel kleiner und sauberer. Sie korrigiert nur die tatsächlichen Fehler im Rezept (das Turbulenzmodell) und nicht die Mängel im Foto.

Was sie herausgefunden haben

Sie testeten dies an einem NACA0012-Profil (einer spezifischen Flügelform) bei hoher Geschwindigkeit, bei der die Luft sich ablöst und chaotisch wirbelt.

1. Die alte Methode (2D): Der Computer musste massive, verwirrende Änderungen an den physikalischen Gleichungen vornehmen, um dem flachen Foto zu entsprechen. Er konnte nicht unterscheiden, ob er das Modell korrigierte oder nur versuchte, die fehlenden 3D-Daten zu kompensieren.
2. Die neue Methode (3D): Der Computer nahm kleinere, intelligentere Anpassungen vor. Er ließ die Luft natürlich in 3D fließen, um die Gleichungen auszubalancieren.
3. Das Ergebnis: Die neue Methode sagte den Auftrieb (wie stark der Flügel nach oben drückt) und den Druck auf den Flügel viel genauer voraus. Sie lieferte auch ein besseres Bild der „Turbulenz“ (des wirbelnden Chaos), da das Modell nicht gezwungen wurde, unmögliche Dinge zu tun, nur um zu einem flachen Foto zu passen.

Das Wesentliche

Denken Sie an Folgendes: Wenn Sie versuchen, eine 3D-Skulptur nur anhand ihres 2D-Schattens zu beschreiben, werden Sie verwirrt sein. Wenn Sie versuchen, eine 2D-Zeichnung so aussehen zu lassen wie diesen Schatten, müssen Sie die Zeichnung so stark verzerren, dass sie der echten Skulptur überhaupt nicht mehr ähnlich sieht.

Dieses Papier zeigt, dass, wenn Sie Ihrer Zeichnung Tiefe (3D) verleihen, selbst wenn Sie nur einen 2D-Schatten vor sich haben, Sie die echte Skulptur viel genauer rekonstruieren können. Das Computermodell hört auf, gegen die Daten zu kämpfen, und beginnt stattdessen, die Physik der Strömung tatsächlich zu verstehen.

Technische Zusammenfassung

Technische Zusammenfassung: Dreidimensionale variationale Datenassimilation von separierten Strömungen unter Verwendung zeitgemittelter experimenteller Daten

Problemstellung
Die vorliegende Arbeit befasst sich mit den Einschränkungen bei der Anwendung der variationalen Datenassimilation (DA) auf komplexe, separierte Strömungen unter Verwendung von planarer Particle Image Velocimetry (PIV)-Daten. Während PIV wertvolle zweikomponentige, zeitgemittelte Geschwindigkeitsfelder liefert, fehlt ihr naturgemäß die Geschwindigkeitskomponente aus der Ebene heraus. In separierten Strömungen, wie etwa dem tiefen Strömungsabriss (Deep Stall) über einem Tragflügel, ist die Strömung inhärent dreidimensional (3D). Traditionelle DA-Ansätze erzwingen oft zweidimensionale (2D) Kontinuitätsbedingungen für diese 2D-Daten. Die Autoren argumentieren, dass diese Vermischung zu einer Fehlinterpretation des korrigierenden Zwangs-Terms führt, der in den Impulsgleichungen verwendet wird. Wenn 2D-Beschränkungen auf nicht divergenzfreie experimentelle Daten angewendet werden, kompensiert der korrigierende Zwangs-Term nicht nur Defizite im Reynolds-gemittelten Navier-Stokes-Turbulenzmodell (RANS), sondern auch das Fehlen der dritten Geschwindigkeitskomponente sowie das experimentelle Rauschen. Dies erschwert es, physikalische Modellierungsfehler von Messinkonsistenzen zu isolieren, und behindert die genaue Rekonstruktion zweiter Ordnung der Statistiken, wie etwa der Reynolds-Schubspannung.

Methodik
Die Studie verwendet einen variationalen Datenassimilationsrahmen unter Einsatz einer diskreten Adjoint-Methode, die im DAFoam-Solver implementiert ist. Der Kern der Methodik besteht in der Optimierung eines korrigierenden Zwangs-Terms ($f_{ci}$), der den Impulsgleichungen hinzugefügt wird, um die Diskrepanz zwischen einer RANS-Simulation (unter Verwendung des Spalart-Allmaras-Turbulenzmodells) und Referenzdaten zu minimieren.

Die Arbeit vergleicht zwei unterschiedliche Setups:

1. 2DVar (Zweidimensionale Assimilation): Die Erhaltungsgleichungen und Kontinuitätsbeschränkungen werden strikt zweidimensional (strömungswärts und wandnormal) erzwungen. Die spanwise-Dimension wird als eine einzige Zellschicht behandelt ($N_z=1$), was die Strömung effektiv als 2D erzwingt.
2. 3DVar (Dreidimensionale Assimilation): Die Autoren schlagen einen neuartigen Ansatz vor, bei dem die Erhaltungsgleichungen und Beschränkungen alle drei räumlichen Dimensionen berücksichtigen. Der Rechenbereich wird in der spanwise-Richtung mit ausreichender Auflösung erweitert ($N_z > 1$), um die Entwicklung einer Geschwindigkeitskomponente aus der Ebene heraus zu ermöglichen. Entscheidend ist, dass die Referenzdaten 2D2C (zwei Komponenten, zwei Dimensionen) bleiben und auf das 3D-Gitter projiziert werden.

Die Zielfunktion minimiert die $L_1$-Norm der Geschwindigkeitsabweichung zwischen der Simulation und den Referenzdaten (sowohl synthetisch als auch experimentell). Die Optimierung erfolgt mittels Sequential Quadratic Programming (SQP) mit Gradienten, die über den diskreten Adjoint-Ansatz berechnet werden.

Wesentliche Beiträge

• Neuartiger 3D-Assimilationsrahmen: Die Arbeit führt eine 3D-variationale DA-Methode ein, die 3D-Kontinuitätsbedingungen erzwingt, während sie 2D2C-experimentelle Daten assimiliert.
• Entkopplung von Fehlern: Die Studie zeigt, dass 3D-Beschränkungen den korrigierenden Zwangs-Term in die Lage versetzen, primär experimentelle Setup-Fehler (z. B. Divergenz aufgrund fehlender 3D-Daten oder Rauschen) zu adressieren, während das Turbulenzmodell frei bleibt, die zugrunde liegende Strömungsphysik genauer zu erfassen.
• Rekonstruktion nicht gemessener Größen: Die Methode zeigt sich erfolgreich bei der Rekonstruktion physikalischer Größen, die nicht direkt gemessen wurden, wie Druckfelder und Auftriebskräfte sowie Modellierungskennzahlen wie Reynolds-Schubspannung und effektive Viskosität.

Ergebnisse
Die Methodik wurde an einem NACA0012-Tragflügel im tiefen Strömungsabriss ($\alpha = 15^\circ$, $Re_c \approx 7,5 \times 10^4$) sowohl mit synthetischen (die die 2D-Kontinuität erfüllen) als auch mit experimentellen PIV-Daten getestet.

• Synthetische Daten: Im Fall von 2DVar mit synthetischen, divergenzfreien Daten war der korrigierende Zwangs-Term klein im Vergleich zum Reynolds-Term, was darauf hindeutet, dass das Basismodell die Physik mit geringfügigen Anpassungen erfassen kann.
• Experimentelle Daten (2DVar): Bei Anwendung auf experimentelle Daten erforderte der 2DVar-Ansatz einen großen korrigierenden Zwangs-Term. Die Magnitude dieses Terms war vergleichbar mit dem Reynolds-Term, was darauf hindeutet, dass er die 3D-Natur der Strömung und Divergenzfehler kompensierte, anstatt nur Defizite in der Turbulenzmodellierung. Dies führte zu einer ungenauen Darstellung der Strömungsphysik.
• Experimentelle Daten (3DVar): Der 3DVar-Ansatz konnte erfolgreich eine spanwise-Geschwindigkeitskomponente entwickeln, um die 3D-Kontinuität zu erfüllen. Infolgedessen sank die Magnitude des korrigierenden Zwangs-Terms signifikant und wurde vergleichbar mit dem Reynolds-Term. Dies zeigt, dass die 3D-Beschränkungen dem Turbulenzmodell ermöglichten, korrekt zu funktionieren, während der Zwangs-Term die experimentellen Artefakte handhabte.
• Rekonstruierte Größen: Der 3DVar-Ansatz lieferte überlegene Ergebnisse für die rekonstruierten Variablen. Die Verteilung des Druckkoeffizienten ($C_p$) und der Auftriebskoeffizient ($C_L$) zeigten eine bessere Übereinstimmung mit experimentellen Messungen im Vergleich zu 2DVar. Darüber hinaus stimmten die rekonstruierten Reynolds-Schubspannungs- und effektiven Viskositätsfelder in 3DVar besser mit experimentellen Beobachtungen überein und zeigten einen verbesserten Impulstransport und stärkere Turbulenzeffekte im Nachlauf.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass das Erzwingen der 2D-Kontinuität auf inhärent 3D-separierte Strömungen während der Datenassimilation das Gleichgewicht der Impulsgleichungen verzerrt, wodurch der korrigierende Term gezwungen wird, Fehler aufzunehmen, die der 3D-Natur der Strömung zuzuschreiben sind. Durch die Implementierung von 3D-Beschränkungen zeigen die Autoren, dass das Basis-RANS-Modell (Spalart–Allmaras) in der Lage ist, komplexe separierte Strömungsphysik wesentlich genauer zu erfassen, sofern der Datenassimilationsrahmen physikalisch konsistent ist.

Die Studie kommt zu dem Schluss, dass 3DVar der 2DVar-Methode bei der Assimilation planarer PIV-Daten von separierten Strömungen überlegen ist. Sie löst die Mehrdeutigkeit bei der Interpretation des korrigierenden Zwangs-Terms auf und ermöglicht es Forschern, zwischen Defiziten des Turbulenzmodells und experimentellen Inkonsistenzen zu unterscheiden. Dieser Ansatz verbessert die Genauigkeit sowohl der direkt assimilierten mittleren Geschwindigkeiten als auch der rekonstruierten Größen, wie etwa Auftrieb und Reynolds-Spannungen, ohne die funktionale Form des Turbulenzmodells zu modifizieren. Die Autoren merken an, dass ihre Implementierung zwar 2D2C-Daten verwendete, der Rahmen jedoch darauf ausgelegt ist, die Komplexität praktischer, hoch Reynolds-Zahl-separierter Strömungen zu handhaben.