气动外形优化中伴随向量的机器学习方法
流体动力学
2021-01-01 v1
摘要
伴随方法在气动设计中应用广泛，因为伴随方法只需一次流场求解即可获得所有设计变量的梯度。然而，伴随向量的计算成本约等于流场计算的成本。为了加速伴随向量的求解并提高基于伴随的优化效率，提出了面向伴随向量建模的机器学习方法。采用深度神经网络(DNN)构建伴随向量与局部流动变量之间的映射。DNN能够高效预测伴随向量，并通过关于NACA0012翼型的跨音速减阻算例检验了其泛化能力。结果表明，在伴随向量计算成本可忽略的情况下，所提出的基于DNN的伴随方法能够获得与传统伴随方法相同的优化结果。
引用
@article{arxiv.2012.15730,
title = {Machine learning for adjoint vector in aerodynamic shape optimization},
author = {Mengfei Xu and Shufang Song and Xuxiang Sun and Wengang Chen and Weiwei Zhang},
journal= {arXiv preprint arXiv:2012.15730},
year = {2021}
}