热设计中的深度卷积代理模型与自由度
机器学习
2022-08-17 v1
摘要
我们提出了用于预测由复合贝塞尔曲线生成的复杂鳍片几何结构传热与压降的代理模型。热设计过程包含迭代的高保真仿真，其复杂、计算昂贵且耗时。随着机器学习算法以及图形处理单元（GPUs）的发展，我们可以利用 GPU 的并行处理架构，而非仅依赖 CPU 来加速热流体仿真。在本研究中，卷积神经网络（CNNs）被用于直接从保存为图像的拓扑结构预测计算流体动力学（CFD）结果。我们研究了单鳍片以及多个可变形鳍片的情况。针对单鳍片设计案例，给出了 Xception 网络与常规 CNN 的对比。结果表明，单鳍片设计的预测精度较高，尤其在使用 Xception 网络时。将设计自由度增至多个鳍片会增大预测误差。然而，该误差在压降与传热估计中仍保持在百分之三以内，对设计目的具有价值。
引用
@article{arxiv.2208.07482,
title = {Deep convolutional surrogates and degrees of freedom in thermal design},
author = {Hadi Keramati and Feridun Hamdullahpur},
journal= {arXiv preprint arXiv:2208.07482},
year = {2022}
}