结合卷积编码器-解码器网络的参数化水平集方法及其在流体流动形状优化中的应用
流体动力学
2023-01-16 v1 最优化与控制
摘要
本文提出了一种新的数据驱动的形状优化方法，通过参数化水平集表示的多项式扰动实现隐式水翼变形。在不引入任何拓扑变化的情况下，水翼变形由六个与扰动位移的幅值和形状相关的形状设计变量实现。与基于自由变形技术的形状优化相比，该方法的设计变量减少了三到四倍，与基于传统参数化水平集的拓扑优化相比，设计变量减少了近两个数量级。使用固定的笛卡尔水平集网格，我们还将深度卷积编码器-解码器网络作为高保真Reynolds平均Navier-Stokes (RANS) 模拟的代理模型，用于学习水翼形状周围的流场。我们表明，通过参数化水平集的高效形状表示可以实现卷积编码器-解码器在水翼形状优化中的在线应用。对于训练集外的形状，与RANS预测相比，卷积编码器-解码器预测解的平均和最小结构相似性指数度量分别为0.985和0.95，证明了其泛化的流场预测能力。与RANS相比，卷积编码器-解码器预测速度提高了近五个数量级。这使得在两个不同的设计升力系数下，对五十种不同水翼进行基于代理模型的阻力最小化在计算上是可行的。此外，对于两种设计升力情况，通过基于代理模型优化获得的最佳局部极小值均位于RANS预测对应值的邻域内。目前的研究结果为未来在更广泛的流动条件和形状范围内，通过参数化水平集结合卷积编码器-解码器进行形状优化展现了良好前景。
引用
@article{arxiv.2301.05597,
title = {A parametric level set method with convolutional encoder-decoder network for shape optimization with fluid flow},
author = {Wrik Mallik and Rajeev K. Jaiman and Jasmin Jelovica},
journal= {arXiv preprint arXiv:2301.05597},
year = {2023}
}