一种用于分类振荡翼运动学与涡尾流模态的机器学习方法

机器学习技术在流体动力学中因预测、聚类与分类复杂流动物理而受到关注。一个应用是对钝体(如圆柱或扑动翼)产生的各类尾流结构进行分类或聚类，这些结构因流动条件、几何形状及/或物体运动学而产生丰富多样的涡形态。利用振荡翼从潮汐或河流流中收集能量时，理解扑动运动学与下游涡尾流结构之间精细且非线性的关系，对于阵列的最优选址与运行至关重要。本文开发了一个分类模型，以获得在能量收集区间内包含相似尾流模式的运动学分组。数据通过对 27 种独特振荡翼运动学的模拟获得，共计尾流涡量场 13,650 个样本。在这些样本中，依据相对攻角视觉标注为三组。采用结合卷积神经网络(CNN)与长短期记忆(LSTM)单元的机器学习方法自动将尾流分类至三组。当使用三组视觉标注进行分类时，五个测试子集的平均准确率为 80%。分析准确率最低的测试子集后，提出了分组边界的更新方案。经此更新，算法平均准确率达 90%，表明这三组能够辨别能量收集运动学范围内不同的尾流结构。