基于改进变分自编码器的翼型非设计工况流场预测
流体动力学
2022-09-21 v1
摘要
基于单点设计的翼型气动优化可能导致非设计工况性能较差。通常采用考虑非设计流条件的多点优化来提高鲁棒性并拓展飞行包线。许多深度学习模型已被用于流场的快速预测或重建。然而，对于巡航效率优化而言，流场重建精度可能不足，且当面对与训练所用翼型不同的翼型时，模型泛化能力也存疑。由于在工业设计中巡航条件的计算流体力学评估通常是必要且可承受的，本文提出一种新颖的深度学习框架，利用巡航流场作为非设计工况预测的先验参考。我们开发了先验变分自编码器，从巡航流场中提取特征并在其他自由来流条件下生成新流场。推导了基于气动力和质量守恒的物理损失函数，以最小化流场重建的预测误差。结果表明，所提模型相较传统模型可将测试翼型上的预测误差降低30%。基于物理的损失函数可进一步将预测误差降低4%。所提模型在巡航与非设计工况评估的时间成本和保真度需求之间实现了更好的平衡，使模型在工业应用中更具可行性。
引用
@article{arxiv.2204.07934,
title = {Flowfield prediction of airfoil off-design conditions based on a modified variational autoencoder},
author = {Yunjia Yang and Runze Li and Yufei Zhang and Haixin Chen},
journal= {arXiv preprint arXiv:2204.07934},
year = {2022}
}