基于深度神经网络的翼型流场快速模拟
流体动力学
2023-12-08 v1
摘要
计算流体力学（CFD）已成为飞机空气动力学优化设计和评估中不可或缺的工具。然而，求解 Navier-Stokes（NS）方程是一项耗时、高内存需求且计算成本高昂的任务。人工智能为流场求解提供了一条有前景的途径。在本研究中，我们提出了一种用于快速重建翼型流场的新型深度学习框架。在 UNet 的下采样阶段利用通道注意力和空间注意力模块，以增强深度学习模型的特征学习能力。此外，将深度学习模型生成的预测流场值集成到 NS 方程求解器中，验证了流场预测结果的可靠性。使用 NACA 系列翼型验证了深度学习模型的预测精度和泛化能力。实验结果表明，深度学习模型实现流场预测的速度比 CFD 求解器快三个数量级。此外，与深度学习模型集成的 CFD 求解器相比 CFD 求解器展现出三倍的加速。通过广泛挖掘历史流场数据，为飞机流场的快速模拟推导出了一种高效的解决方案。
引用
@article{arxiv.2312.04289,
title = {Fast simulation of airfoil flow field via deep neural network},
author = {Kuijun Zuo and Zhengyin Ye and Shuhui Bu and Xianxu Yuan and Weiwei Zhang},
journal= {arXiv preprint arXiv:2312.04289},
year = {2023}
}