通过卷积神经网络发现粗糙表面上的阻力诱导因素
流体动力学
2024-09-09 v2
摘要
理解表面粗糙度对阻力力的影响 remains a significant challenge in fluid dynamics. 本文提出了一种卷积神经网络 (CNN)，该网络仅通过粗糙表面的地形预测阻力，并能够发现与阻力诱导结构相关的空间模式。开发了一种CNN模型，用于分析粗糙表面地形的空间信息，并预测来自直接数值模拟的粗糙函数 。该模型 enables 从粗糙表面数据alone预测阻力，而以往方法由于粗糙表面参数的数量较大，无法实现这一点。此外，模型保留了空间信息，能够创建突出粗糙表面上关键区域以进行阻力预测的特征图。通过分析特征图，我们展示了所developed的CNN模型能够发现粗糙表面上阻力分布相关的空间模式，尽管该模型在阻力分布数据上没有直接训练。特征图的分析表明，即使没有流场信息，CNN模型也能提取流向斜率和粗糙元素高度作为诱导压力阻力关键因素。本研究表明，CNN基于的阻力预测建立在流体动力学物理原理之上，强化了CNN在预测和理解粗糙表面阻力方面的实用性。
引用
@article{arxiv.2405.09071,
title = {Data-driven discovery of drag-inducing elements on a rough surface through convolutional neural networks},
author = {Heesoo Shin and Seyed Morteza Habibi Khorasani and Zhaoyu Shi and Jiasheng Yang and Sangseung Lee and Shervin Bagheri},
journal= {arXiv preprint arXiv:2405.09071},
year = {2024}
}