CFD中文网

@pengdi 地面粗糙度的问题，我没有理了，这个不是我主要的研究方向，按标准的系数是没有问题了

@李东岳 目前跑出来的结果，有个小范围的浮动。也有可能是我在雷诺应力修正时候做了类似于DES那种，RANS跟LES的混合。

@李东岳 并行16线程，CFD+pytorch一共花了1个半小时左右，LES的并行36线程大概要10小时左右。CFD+pytorch的本质还是用RANS去跑，pytorch就是提供一个隐式方程，与原RANS湍流方程的时间差不多。当然硬件越好跑的越快。我们组的服务器还是从李老师你那里买的

libtorch跟OF耦合的问题已解决，纯粹是一个.so文件的名字大小写打错了 。目前1w步跑完结果与LES相似

@李东岳 上面的步骤是在编译MomentumTransportModels文件夹时候的。同时，我在simpleNNFoam中修改了我的需要连接的linearViscousStrees中的divDevTau(U, S, R)，S跟R都已经在 createFields.H中创建了。

    // Momentum predictor

    MRF.correctBoundaryVelocity(U);

    tmp<fvVectorMatrix> tUEqn
    (
        fvm::div(phi, U)
      + MRF.DDt(U)
      + turbulence->divDevTau(U, S, R) // Data driven R-S + viscous component
     ==
      fvModels.source(U)
    );
    fvVectorMatrix& UEqn = tUEqn.ref();

    UEqn.relax();

    fvConstraints.constrain(UEqn);

    if (simple.momentumPredictor())
    {
        solve(UEqn == -fvc::grad(p));

        fvConstraints.constrain(U);
    }

但是我在wmake我的simpleNNFoam中出现了，数据类型不对的问题。

In file included from /home/user3/libtorch/include/c10/util/Exception.h:7,
                 from /home/user3/libtorch/include/ATen/core/Generator.h:11,
                 from /home/user3/libtorch/include/ATen/CPUGeneratorImpl.h:3,
                 from /home/user3/libtorch/include/ATen/Context.h:3,
                 from /home/user3/libtorch/include/ATen/ATen.h:7,
                 from /home/user3/libtorch/include/torch/csrc/api/include/torch/types.h:3,
                 from /home/user3/libtorch/include/torch/script.h:3,
                 from /home/user3/OpenFOAM/user3-9/reynoldsNet/lnInclude/reynoldsNet.H:42,
                 from /home/user3/OpenFOAM/user3-9/src/MomentumTransportModels/momentumTransportModels/lnInclude/linearViscousStress.H:38,
                 from /home/user3/OpenFOAM/user3-9/src/MomentumTransportModels/momentumTransportModels/lnInclude/Stokes.H:39,
                 from /home/user3/OpenFOAM/user3-9/src/MomentumTransportModels/momentumTransportModels/lnInclude/laminarModel.C:27,
                 from /home/user3/OpenFOAM/user3-9/src/MomentumTransportModels/momentumTransportModels/lnInclude/laminarModel.H:193,
                 from /home/user3/OpenFOAM/user3-9/src/MomentumTransportModels/incompressible/lnInclude/kinematicMomentumTransportModel.H:47,
                 from simpleNNFoam.C:66:
/home/user3/libtorch/include/c10/util/variant.h:1204:11: error: no matching function for call to 'Foam::data::data(const c10::detail_::impl<c10::SmallVector<c10::SymInt, 5>, at::Tensor>&)'
 1204 |           data(lib::forward<V>(v)),
      |           ^~~~~~~~~~~~~~~~~~~~~~~~

我查看了 Foam::data::data(const objectRegistry& obr)，要的是objectRegistry类，但是在我的reynoldsNet库中已经将libtorch输出的torch::Tensor转换成std::vector<float>然后带入输出，没有将是torch的数据直接带入OF中。这是有数据没按要求来转换吗？

@李东岳 李老师，我遇到一个wmake的问题。我把我训练完成的神经网络写成一个reynoldsNet库，打算在linearViscousStrees中调用，但是显示了无法识别的问题这是什么导致的？

wmakeLnIncludeAll: running wmakeLnInclude on dependent libraries:
    unknown option: '-I/home/user3/OpenFOAM/user3-9/reynoldsNet/lnInclude'

Usage: wmakeLnInclude [OPTION] [dir]

options:
  -update | -u      update
  -silent | -s      use 'silent' mode (do not echo command)
  -help   | -h      print the usage

    Link all the source files in the <dir> into <dir>/lnInclude

Note
    The '-u' option forces an update when the lnInclude directory already exists
    and changes the default linking from 'ln -s' to 'ln -sf'.

@疏影横斜水清浅 应该是壁面粗糙度的问题，这不是我主要的研究方向

@疏影横斜水清浅 解决了，就是在地面时候有点保持不了

@李东岳 多谢李老师

@李东岳 李老师，我查了一下RANS的相关资料，nu是层流粘度，nut是湍流粘度，nuEff=nu+nut，nut=Cmu*k^2/epsilon，那是说在湍流时候，层流粘度nu是趋近于0，nuEff=nut=Cmu*k^2/epsilon吗？不知道理解是否有问题？还请李老师指教一下。

@李东岳 李老师，那nu跟nut的表达式是什么，我看OF的源码中没有显示 ，nuEff=Cmu*k^2/epsilon吗？

各位老师，我问个简单的问题。 ，在RANS中nu_t就是一个简单的公式，但是我看在OF的incompressibleTurbulenceModel.C文件中，定义了好几个nu（），nut（），nuEff（），而在linearViscousStress.C中，只使用了nuEff（），这三个nu_t有什么区别吗？

@李东岳 是要像李老师学习才对，对OF的代码和耦合还在学习中

@李东岳 李老师，差不多是个意思，但是我们不打算找出g（i）=f（u）这个公式，我们是打算用神经网络结构来代替这个公式，也就是所谓的隐式公式，使用的神经网络是已经训练完成的，OF只需使用，不用再训练一次。现有的OF湍流模型的线性假设的公式是显式公式，也就是有明确的公式。目前的工作是要让OF程序能识别并使用神经网络来更新g（i），只用调用OF这一个程序。

@李东岳 李老师理解的没问题。为什么要将pytorch中的神经网络能被OF读取识别？主要是为了解决计算速度过慢的问题。可以理解为通过机器学习，获得训练完成的神经网络，也就是一个有关g（i）隐式的公式，若能被OF识别并有效输出，那我就不用每次迭代计算调用pytorch来进行计算，在两个程序中来回计算，可以直接在OF求解中同步计算，相当于直接提供显式公式的效果。对于速度慢的问题，其实不用担心，我只需调用训练完成的神经网络结构即可，相当于用一个已知的公式获得我所需要的g（i）数据。

@xpqiu 好的，多谢老师提供的资料。我之前打算是用caffe2来做为耦合的库，但是发现过于久远，可能有一些问题。我先了解一下libtorch的具体情况。

@李东岳 李老师，现在是可以在pytorch中每一步更新得到g（i），目前的问题是如何将pytorch中的神经网络能被OF读取识别，实现与OF耦合的过程。发散的是之前只在0文件下提供一个不变的标量场的方法。目前打算是将pytorch转变成c++的能识别神经网络库，g（i）的值可以通过这个库直接灌输到OF的每一个迭代步中。

@xpqiu 是的，应该是这个样的。但是有个问题，就是C++神经网络需要使用类似pytorch这样的环境，单加一个网络结构没办法识别计算，有那些类似pytorch这种的c++的神经网络编程语言吗？或者有什么神经网络语言是跟OF耦合的较好的呢？

@xpqiu 非常感谢，您的建议。我之前也是修改kepsilon湍流模型的，跟EARSM 模型一样，加了correctNonlinearStress函数。之前算发散的时候，我从g1到g10一个一个添加进去计算，发现只带入g1时候才能计算，并且得出来的效果与kOmegaSST的结果相似的，但是只要带入g2就开始发散了。后来，看之前做的过程时候发现，g（i），也就是g1到g10是一个有关gardU，k，epsilon的函数，目前无法写出其显式表达，应该用外接神经网络结构来计算更新。那为什么只带g1能算呢，因为g1*T1是等于OF的原有线性项假设，相当于没有改变其假设，只是修改了Cmu的值而已。
EARSM 模型的非线性项中，我看它的非线性项写法与我的类似，但是它的bate（i）是有明确的显式公式的，是能随着求解器迭代来计算更新的，而我的是隐式公式，目前没有明确公式。

    volScalarField beta1 = -N*(2.0*sqr(N) - 7.0*IIW) / Q;
    volScalarField beta3 = -12.0 * IV / (N * Q);
    volScalarField beta4 = -2.0 * (sqr(N)  - 2.0*IIW) / Q;
    volScalarField beta6 = -6.0 * N / Q;
    volScalarField beta9 =  6.0 / Q;
    volScalarField Cmu = - 0.5 * (beta1 + IIW * beta6);

    this->nut_ = Cmu * this->k_ * tau;
    this->nut_.correctBoundaryConditions();

    this->nonlinearStress_ = this->k_ * symm(
        beta3 * ( (W & W) - (1.0/3.0) * IIW * I )
        + beta4 * ( (S & W) - (W & S) )
        + beta6 * ( (S & W & W) + (W & W & S) - IIW * S - (2.0/3.0) * IV * I)
        + beta9 * ( (W & S & W & W) - (W & W & S & W) )

现在我要做的内容就让我的g（i）跟它bate（i）一样跟随迭代，为了达到我这个效果，不能单修改湍流模型，还要外加上我的c++神经网络来更新g（i）。目前就是编译的一些内容和步骤有点疑惑，需要请教。

@李东岳 好的，李老师。我先按您的方法试试。