Free Courses Fluids Structures Electronics 3D Design Optics Photonics Materials Installation Python Optimization Safety & Cybersecurity Embedded Software MBSE Digital Mission Engineering STEM NVH Student Teams Semiconductors Indo Kursus Partner Courses My Courses

[FAQ]

RANSコンセプトでは，単一の乱流モデルを使用して，十分な精度ですべての流れに対応することは不可能です。 したがって，産業用CFDコードで多数の乱流モデルを提供し，ユーザーが用途に最も適したモデルを選択できるようになっています。 しかし，すべてのモデルの品質が（堅牢性，他のモデルとの相互運用性，壁近傍処理に関して）同じではないため，これは最適な戦略とは言えません。つまり，あるモデルから別のモデルに切り換えると，希望する変更以外の別の結果が解に生じることがあります。その代替手法として、広範囲に及ぶ用途に十分に対応できる柔軟性を備えた 単一のモデルとして提供されたのがGEKOモデルになります。 GEKOモデルにはフリー パラメータが備わっており，これを使用することで，モデルのキャリブレーションに悪影響を及ぼさずに，精度向上が期待できます。 GEKOパラメータも様々なアプリケーションに適用することでパラメータのキャリブレーションが行われて汎用的に精度が期待できるようなデフォルトのパラメータ値が設定されていますが、やはり場合によっては精度が 十分ではないケースも有り、そのパラメータスタディを行ってアプリケーションに良く適合したパラメータを探し当てるための計算コストが必要でした。 その問題を解決する手段としてAdjoint SolverによるGEKOパラメータの最適化機能があります。 デフォルトでは一定値となっているGEKOパラメータですが、Adjoint Solverによる感度解析を行うことでGEKOパラメータの最適化を行いアプリケーションに適合した分布をもったGEKOパラメータの最適値を得ることができます。さらにニューラルネットワークを使用して特定の条件に特化したGEKOパラメータではなく、異なる条件、形状、アプリケーションにも利用可能な汎用的なGEKOパラメータを得ることができます。 詳しくは以下の添付資料をご参照ください。 またANSYS Learning Hub (ALH)にはチュートリアルもあります。 Ansys Fluent2022R1 によるGEKO乱流モデルのチューニング：2.5次元S805翼の揚力　( PDF / InputFiles ) https://jam8.sapjam.com/groups/JDC7KNqPd8oCQoe1UwVRUW/overview_page/dKuEecjzEl4uAPuABrkodF keywords GEKO, 乱流モデル, パラメータ, Csep, Cnw, Cmix, Cjet, blend factor, 剥離, 混合, 壁近傍, 噴流, 最適化, Adjoint, Adjoint Solver, 感度解析, NN, ニューラルネットワーク, 機械学習, ML, Machine Learning, チューニング, calibration, キャリブレーション, 汎用, 精度, 高精度, LES, DES, SAS, 実験値, 実測値, トレーニング, 訓練, optimization, 精度向上, 汎化, 一般化, パーセプトロン, turbulence, k-epsilon, SST, k-omega