Resumen

En el presente trabajo se investigan los flujos supersónicos sobre una base axisimétrica y una rampa de compresión de 24 grados utilizando el modelo k-ω generalizado (GEKO) implementado en el software comercial ANSYS FLUENT. GEKO es un modelo de dos ecuaciones basado en la formulación k-ω, y algunos coeficientes especificados del modelo pueden ajustarse en función de las características del flujo. El análisis de cuantificación de la incertidumbre (UQ) se incorpora para cuantificar la incertidumbre de los coeficientes del modelo y para calibrar los coeficientes. El método de muestreo de hipercubos latinos (LHS) se utiliza para muestrear los parámetros de entrada independientes como una distribución uniforme. Se construye un metamodelo basado en la expansión general del caos polinómico (gPCE) utilizando mínimos cuadrados ordinarios (OLS). El cierre de los coeficientes de influencia se obtiene utilizando los índices de Sobol. Se selecciona el algoritmo de conjunto invariante afín (AIES) para caracterizar la distribución posterior mediante el muestreo de Monte Carlo con cadena de Markov. Los coeficientes calibrados del modelo se extraen de las distribuciones posteriores obtenidas a través de la inferencia bayesiana, que se basa en el método del caos polinómico no intrusivo (NIPC). Los resultados obtenidos mediante los coeficientes calibrados del modelo por inferencia bayesiana muestran una predicción superior con las mediciones experimentales disponibles que los del modelo original.

• Materias:Automatización Aerodinámica Motores (Mecánica) Cinemática Ingeniería Aeronáutica
• Subjects:Automation Aerodynamics Engines Kinematics Aeronautical Engineering
• Palabras claves:coeficiente del modelo calibrado, inferencia bayesiana, distribución posterior, cadena de markov monte, parámetros de entrada independientes, coeficiente del modelo especificado, muestreo monte carlo, cadena monte carlo, cierre del coeficiente influyente, expansión del caos polinomial
• Keywords:calibrated model coefficient, bayesian inference, posterior distribution, markov chain monte, independent input parameters, specified model coefficient, monte carlo sampling, chain monte carlo, influential coefficient closure, polynomial chaos expansion