一种用于分类能量采集振荡翼涡尾流机器学习方法
流体动力学
2023-03-03 v2
摘要
我们开发了一种机器学习模型，用于建立运动学处于能量采集 regime 内的振荡翼后方尾流模式。尾流结构的作用对于振荡翼阵列部署尤为重要，因为非定常尾流高度影响下游翼的性能。本工作探索了 46 种振荡翼运动学，目标基于输入运动学变量参数化尾流，并通过涡量场的图像分析对涡尾流进行分组。我们开发了卷积神经网络 (CNN) 与长短期记忆 (LSTM) 单元的组合，将尾流分为三类。为充分验证翼运动学间物理尾流差异，利用了卷积自编码器结合 k-means++ 聚类，发现了四种不同尾流模式。借助分类模型，这些模式与一定范围的翼运动学相关联。未来工作可利用这些关联预测置于尾流中翼的性能，并构建用于潮汐能采集的最优翼排列。
引用
@article{arxiv.2205.06367,
title = {A Machine Learning Approach to Classify Vortex Wakes of Energy Harvesting Oscillating Foils},
author = {Bernardo Luiz R. Ribeiro and Jennifer A. Franck},
journal= {arXiv preprint arXiv:2205.06367},
year = {2023}
}
备注
25 pages, 15 figures, Accepted to be published at AIAA Journal. arXiv admin note: text overlap with arXiv:2108.02269