Li Z, Ju YP, Zhang CH, Machine-learning data-driven modeling of laminar-turbulent
transition in compressor cascade, Physics of Fluids, 2023, 35(8): 085133. 

http://doi.org/10.1063/5.016413

背景：转捩是压气机中的重要物理现象，大涡模拟等高保真数值模拟方法能够较准确地预测转捩，但因计算成本过高难以获得普遍应用，而雷诺平均数值模拟框架下的微分方程型转捩模型预测精度已达到瓶颈，难以满足压气机设计者的使用需求。

贡献：通过将当地湍流间歇因子表达为关于6种当地流动变量的神经网络，提出一种以高保真流场数据为驱动、兼顾分离转捩与旁路转捩模式的机器学习转捩模化方法，利用已有大涡模拟数据训练出适用于压气机叶栅的代数转捩模型，其对于两种转捩模式的预测精度均高于传统一方程间歇因子转捩模型，研究工作为数据驱动湍流与转捩模化提供了新思路。