基于深度算子学习的AEDC高超声速乘波体气动热力学分析代理模型
流体动力学
2024-05-24 v1
摘要
神经网络是通用逼近器，传统上用于学习函数输入与输出之间的映射。然而，最近的研究表明，深度神经网络可用于逼近算子，学习函数到函数的映射。创建代理模型以补充计算成本高昂的高超声速气动热力学模型，用于表征不同攻角（AoA）下流场的响应，是神经算子的理想应用。我们研究了使用神经算子来推断基于阿诺德工程发展中心（AEDC）9号高超声速风洞实验数据的三维乘波体模型周围流场（体积和表面量）。我们使用DeepONet神经算子，它由两个神经网络组成，通常称为分支网络和主干网络。最终输出是分支网络输出与主干网络输出的内积。由于流场在整个体积中包含激波，我们采用两步训练方法训练DeepONet，即使在存在间断的情况下也能实现解的精确逼近。我们训练了多种DeepONet模型，以理解和预测AEDC乘波体几何在Ma=7.36时，表面量攻角范围-10°到10°、体积量攻角范围-14°到14°下的压力(p)、密度(ρ)、速度(u)、热流(Q_w)和总剪切应力(τ_w)。
引用
@article{arxiv.2405.13234,
title = {Deep operator learning-based surrogate models for aerothermodynamic analysis of AEDC hypersonic waverider},
author = {Khemraj Shukla and Jasmine Ratchford and Luis Bravo and Vivek Oommen and Nicholas Plewacki and Anindya Ghoshal and George Karniadakis},
journal= {arXiv preprint arXiv:2405.13234},
year = {2024}
}
备注
71st JANNAF Propulsion Meeting, Oklahoma City, OK, 6-10 May 2024, 10 pages, 6 figures