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

Dit artikel presenteert een nieuw driedimensionaal variationeel data-assimilatiekader dat planaire PIV-experimentele gegevens integreert met het Spalart-Allmaras RANS-model om meetfouten effectief te scheiden van tekortkomingen in het turbulentiemodel, waardoor de stromingsvoorspellingen voor losgelaten stromingen over een NACA0012-vleugelprofiel aanzienlijk worden verbeterd in vergelijking met traditionele tweedimensionale methoden.

De kern

Stel je voor dat je het perfecte gebak probeert te bakken, maar je recept (het computermodel) komt telkens net niet goed uit. Je hebt ook een foto van een echte taart (experimentele data) die je wilt laten matchen. Het probleem is dat de foto een beetje wazig is, er ingrediënten missen en vanuit een vreemde hoek is genomen.

Dit artikel gaat over een nieuwe manier om het recept aan te passen zodat het beter bij de echte taart past, zelfs wanneer de foto niet perfect is.

Het Probleem: De "Platte" Foto versus de "Ronde" Realiteit

Wetenschappers gebruiken computermodellen om te voorspellen hoe lucht over vliegtuigvleugels beweegt. Deze modellen zijn als recepten. Soms klopt het recept niet helemaal, vooral wanneer de vleugel in een "deep stall" verkeert (een situatie waarin de vleugel niet meer goed functioneert, zoals wanneer een vliegtuig in de lucht overtrekt).

Om het recept te verbeteren, gebruiken wetenschappers een techniek genaamd Data Assimilatie. Ze nemen real-world metingen (zoals een foto van de luchtstroom) en dwingen het computermodel om hiermee overeen te komen.

Er is echter een addertje onder het gras. De real-world metingen komen van een techniek genaed PIV (Particle Image Velocimetry), die een 2D "doorsnede" of een platte foto van de lucht maakt. Maar de lucht die rond een vleugel beweegt, is eigenlijk 3D (het beweegt omhoog, omlaag, links, rechts, en ook in en uit de foto).

Het artikel betoogt dat eerdere methoden probeerden deze platte, 2D foto te laten passen bij een 3D realiteit door te doen alsof de lucht zich slechts in twee richtingen beweegt. Dit is als het proberen te passen van een ronde sinaasappel in een vierkant gat; je moet hem indrukken en vervormen om hem te laten passen.

De Oude Manier: De "Samengedrukte Sinaasappel" (2D Assimilatie)

In de oude methode (genaamd 2DVar) namen wetenschappers de platte foto en dwongen ze het computermodel om de regels van een 2D-wereld te volgen.

• De Analogie: Stel je voor dat het computermodel een student is die een wiskundig probleem probeert op te lossen. De leraar (de echte data) geeft hen een wazig, lichtelijk foutief antwoord. De student probeert hun eigen antwoord aan te passen om bij de leraar te passen.
• De Fout: Omdat het antwoord van de leraar is genomen uit een platte foto van een 3D-wereld, bevat het "fouten" (het is niet perfect in balans). De student, die probeert aan te sluiten bij de leraar, begint hun wiskunde op vreemde manieren aan te passen. Ze geven de schuld aan hun eigen slechte wiskunde voor de wazige foto van de leraar.
• Het Resultaat: De "correctie" die de student maakt is enorm en rommelig. Het corrigeert de wiskundige fouten én probeert de foto die plat was te corrigeren. Je kunt niet meer onderscheiden welk deel van de correctie de wkalkunde verbeterde en welk deel alleen probeerde de slechte foto te herstellen.

De Nieuwe Manier: De "3D-Bril" (3D Assimilatie)

De auteurs van dit artikel hebben een nieuwe methode uitgevonden (genaamd 3DVar). In plaats van de lucht plat te houden, laten ze het computermodel ademen in de derde dimensie (de diepte), ook al toont de foto slechts een plat vlak.

• De Analogie: Nu draagt de student een 3D-bril. Ze weten dat de foto van de leraar slechts een doorsnede is van een 3D-object. Wanneer de foto "uit balans" lijkt (divergent), beseft de student: "Ah, de lucht moet naar binnen of naar buiten bewegen ten opzichte van de foto om dit in balans te brengen!"
• De Fix: Het computermodel staat toe dat de lucht in die derde richting beweegt. Dit lost de "uit balans" delen van de foto op zonder dat de wiskunde geforceerd hoeft te worden om te breken.
• Het Resultaat: De "correctie" die de student maakt is nu veel kleiner en schoner. Het corrigeert alleen de werkelijke fouten in het recept (het turbulentiemodel), en niet de gebreken in de foto.

Wat Ze Hebben Gevonden

Ze hebben dit getest op een NACA0012 airfoil (een specifieke vleugelvorm) bij een hoge snelheid waarbij de lucht loslaat en chaotisch gaat wervelen.

1. De Oude Manier (2D): De computer moest enorme, verwarrende wijzigingen aanbrengen in de natuurkundige vergelijkingen om overeen te komen met de platte foto. Het kon niet onderscheid maken tussen het verbeteren van het model of het compenseren voor de ontbrekende 3D-data.
2. De Nieuwe Manier (3D): De computer maakte kleinere, intelligentere aanpassingen. Het liet de lucht natuurlijk stromen in 3D om de vergelijkingen in balans te brengen.
3. De Uitkomst: De nieuwe methode voorspelde de lift (hoeveelheid opwaartse kracht op de vleugel) en de druk op de vleugel veel nauwkeuriger. Het gaf ook een beter beeld van de "turbulentie" (het wervelende chaos) omdat het model niet werd gedwongen tot onmogelijke dingen om simpelweg te matchen met een platte foto.

De Kernboodschap

Denk er zo over na: Als je probeert een 3D-beeldhouwwerk te beschrijven met alleen een 2D-schaduw, raak je in de war. Als je een 2D-tekening dwingt om die schaduw te lijken, zul je de tekening moeten vervormen totdat deze totaal niet meer lijkt op het echte beeldhouwwerk.

Dit artikel laat zien dat als je je tekening diepte (3D) geeft, zelfs als je alleen een 2D-schaduw hebt om naar te kijken, je het echte beeldhouwwerk veel nauwkeuriger kunt reconstrueren. Het computermodel stopt met vechten tegen de data en begint daadwerkelijk de fysica van de stroming te begrijpen.

Technische samenvatting

Technische Samenvatting: Driedimensionale variationele data-assimilatie van gescheiden stromingen met behulp van tijdgemiddelde experimentele data

Probleemstelling
Het artikel behandelt de beperkingen van het toepassen van variationele data-assimilatie (DA) op complexe, gescheiden stromingen met behulp van planaire Particle Image Velocimetry (PIV) data. Hoewel PIV waardevolle tweedimensionale (2D), tijdgemiddelde snelheidvelden levert met twee componenten, ontbreken inherent de uit-het-vlak snelheidcomponent. In gescheiden stromingen, zoals diepe stall over een profiel, is de stroming inherent driedimensionaal (3D). Traditionele DA-benaderingen leggen vaak 2D-continuïteitsbeperkingen op aan deze 2D-data. De auteurs stellen dat deze vermenging leidt tot een misinterpretatie van de corrigerende forceringsterm die wordt gebruikt in de momentumvergelijkingen. Wanneer 2D-beperkingen worden toegepast op niet-divergentievrije experimentele data, compenseert de corrigerende forceringsterm niet alleen voor tekortkomingen in het Reynolds-Averaged Navier–Stokes (RANS) turbulentiemodel, maar ook voor het ontbreken van de derde snelheidcomponent en experimentele ruis. Dit maakt het moeilijk om fysieke modelleringsfouten te isoleren van meetinconsistenties en belemmert het de nauwkeurige reconstructie van tweede-orde statistieken zoals de Reynolds-schuifspanning.

Methodologie
De studie maakt gebruik van een variationeel data-assimilatiekader met behulp van een discrete adjoint-methode, geïmplementeerd via de DAFoam-solver. De kern van de methodologie bestaat uit het optimaliseren van een corrigerende forceringsterm ($f_{ci}$) die wordt toegevoegd aan de momentumvergelijkingen om de discrepantie tussen een RANS-simulatie (met het Spalart–Allmaras turbulentiemodel) en referentiedata te minimaliseren.

Het artikel vergelijkt twee verschillende opstellingen:

1. 2DVar (Tweedimensionale Assimilatie): De leidende vergelijkingen en continuïteitsbeperkingen worden strikt in twee dimensies (stroomrichting en wandnormaal) afgedwongen. Het spanwise domein wordt behandeld als een enkele cel-laag ($N_z=1$), wat de stroming effectief dwingt om 2D te zijn.
2. 3DVar (Driedimensionale Assimilatie): De auteurs stellen een nieuwe benadering voor waarbij de leidende vergelijkingen en beperkingen alle drie de ruimtelijke dimensies omvatten. Het computationele domein wordt in de spanwise richting uitgebreid met voldoende resolutie ($N_z > 1$) om de ontwikkeling van een uit-het-vlak snelheidcomponent toe te staan. Cruciaal is dat de referentiedata 2D2C blijft (twee componenten, twee dimensies), geprojecteerd op het 3D-grid.

De objectieffunctie minimaliseert de $L_1$-norm van de snelheidsdiscrepantie tussen de simulatie en de referentiedata (zowel synthetisch als experimenteel). De optimalisatie wordt uitgevoerd met Sequential Quadratic Programming (SQP) met gradiënten berekend via de discrete adjoint-methode.

Belangrijkste Bijdragen

• Nieuw 3D-assimilatiekader: Het artikel introduceert een 3D variationele DA-methode die 3D-continuïteitsbeperkingen afdwingt terwijl 2D2C experimentele data wordt geassimileerd.
• Ontkoppeling van Fouten: De studie toont aan dat 3D-beperkingen de corrigerende forceringsterm in staat stellen om primair experimentele opstellingfouten aan te pakken (bijv. divergentie door ontbrekende 3D-data of ruis), terwijl het turbulentiemodel vrij is om de onderliggende stromingsfysica nauwkeuriger te vangen.
• Reconstructie van Niet-gemeten Grootheden: De methode is succesvol in het reconstrueren van fysieke grootheden die niet direct zijn gemeten, zoals drukvelden en liftkrachten, evenals modelleringsgrootheden zoals Reynolds-schuifspanning en eddyviscositeit.

Resultaten
De methodologie werd getest op een NACA0012 profiel in diepe stall ($\alpha = 15^\circ$, $Re_c \approx 7.5 \times 10^4$) met behulp van zowel synthetische data (die voldoet aan 2D-continuïteit) als experimentele PIV-data (die 2D-continuïteit schendt).

• Synthetische Data: In het 2DVar-geval met synthetische, divergentievrije data was de corrigerende forcering klein vergeleken met de Reynolds-forcering, wat aangeeft dat het basismodel de fysica kan vangen met minimale aanpassingen.
• Experimentele Data (2DVar): Bij toepassing op experimentele data vereiste de 2DVar-benadering een grote corrigerende forceringsterm. De grootte van deze forcering was vergelijkbaar met de Reynolds-forcering, wat suggereert dat het zowel de 3D-aard van de stroming als divergentiefouten compenseerde in plaats van enkel tekortkomingen in de turbulentiemodellering. Dit leidde tot een onnauwkeurige representatie van de stromingsfysica.
• Experimentele Data (3DVar): De 3DVar-benadering slaagde erin een spanwise snelheidcomponent te ontwikkelen om aan 3D-continuïteit te voldoen. Bij consequentie nam de grootte van de corrigerende forceringsterm aanzienlijk af en werd deze meer vergelijkbaar met de Reynolds-forcering. Dit geeft aan dat de 3D-beperkingen het turbulentiemodel in staat stelden correct te functioneren, waarbij de forceringsterm de experimentele artefacten afhandelde.
• Gereconstrueerde Grootheden: De 3DVar-benadering leverde superieure resultaten voor de gereconstrueerde variabelen op. De drukcoëfficiënt ($C_p$) distributie en de liftcoëfficiënt ($C_L$) vertoonden een betere overeenstemming met experimentele metingen vergeleken met 2DVar. Bovendien kwamen de gereconstrueerde Reynolds-schuifspanning en eddyviscositeit velden in 3DVar beter overeen met experimentele waarnemingen, wat wijst op een verbeterde momentumoverdracht en turbulentie-effecten in het zog.

Betekenis en Claims
Het artikel claimt dat het afdwingen van 2D-continuïteit op inherent 3D gescheiden stromingen tijdens data-assimilatie de balans van de momentumvergelijkingen verstoort, waardoor de corrigerende term gedwongen wordt fouten op te nemen die aan de 3D-aard van de stroming toegeschreven moeten worden. Door 3D-beperkingen te implementeren, demonstreren de auteurs dat het basis-RANS-model (Spalacht–Allmaras) in staat is om complexe gescheiden stromingsfysica nauwkeuriger te vangen dan voorheen aangenomen wanneer het data-assimilatiekader fysisch consistent is.

De studie concludeert dat 3DVar superieur is aan 2DVar voor het assimileren van planaire PIV-data van gescheiden stromingen. Het lost de ambiguïteit op bij de interpretatie van de corrigerende forceringsterm, waardoor onderzoekers onderscheid kunnen maken tussen tekortkomingen in het turbulentiemodel en experimentele inconsistenties. Deze aanpak verbetert de nauwkeurigheid van zowel direct geassimileerde gemiddelde snelheden als gereconstrueerde grootheden, zoals lift en Reynolds-spanningen, zonder de functionele vorm van het turbulentiemodel te wijzigen. De auteurs merken op dat hoewel hun implementatie 2D2C-data gebruikte, het framework is ontworpen om de complexiteit van praktische, hoog-Reynoldsgetal gescheiden stromingen aan te kunnen.