基于 CFD 仿真和人类辅助贝叶斯优化的波形墙设计

本研究探讨了在通道流动中对加热波形墙形状的设计，使用机器学习方法旨在最小化温度变化 ($\sigma_T$) 的同时限制压力损失 ($\Delta p$)。定义为 $\sigma_T$ 与 $\Delta p$ 乘积的成本函数 $J$ 平衡了这两个目标。通过贝叶斯优化 (BO) 结合湍流平均纳维-斯托克斯方程 (RANS) 计算进行优化，在最多 1000 次后续迭代的主动学习循环中实现。考虑了两种构形策略：一种由四个参数（两个波幅、波数和倾斜角）定义的正弦型函数，另一种采用 19 个控制点的分段三次 Hermite 插值多项式 (PCHIP)。结果表明，正弦设计将 $\sigma_T$ 降低了 60 倍，但使 $\Delta p$ 增加了 4 倍；而 PCHIP 形状仅将 $\sigma_T$ 降低 15 倍，但 $\Delta p$ 增加约 2 倍。沿 Pareto 前沿检查了两种最优及次优形状的流动特征，包括湍流动能、压力、温度和努塞尔数。所获洞察激发了对 BO 结果的人类辅助改进，进一步将 $J$ 降低 17.7%。这通过用平坦段取代小幅波动区域实现，同时显著提高了制造性。