基于实验与仿真数据的深度学习多保真度气动分布建模
流体动力学
2021-09-30 v2
摘要
风洞实验在现代飞机的设计与研发阶段起着关键作用，但其受限于高昂成本。相比之下，数值仿真作为重要的替代范式，可模拟复杂流动行为，但相比实验精度较低。这导致了近期数据融合用于气动预测的发展与新兴关注。特别地，通过融合实验（高保真）与计算（低保真）气动数据，可以以更低计算成本实现精确的气动预测。目前，现有基于数据融合的气动模型工作主要关注积分数据（升力、阻力等）。本文开发了一种基于深度神经网络（DNN）的多保真度气动模型，在损失函数中引入数值与实验数据并配以适当权重因子以平衡整体精度，用于翼面气动分布建模。具体地，所提方法通过对 ONERA M6 机翼在跨声速流中的表面压力分布建模加以说明，包括流动条件变化或高保真数据较少的不同情景。结果表明，所提方法在适量低保真数据与少量高保真数据下可准确预测跨声速机翼表面压力分布。文中报告了所提模型相对于仅使用高保真或低保真数据的其他 DNN 的优越性。
引用
@article{arxiv.2109.12966,
title = {Deep Learning for Multi-Fidelity Aerodynamic Distribution Modeling from Experimental and Simulation Data},
author = {Kai Li and Jiaqing Kou and Weiwei Zhang},
journal= {arXiv preprint arXiv:2109.12966},
year = {2021}
}