基于机器学习的翼型参数化无粘跨声速流非侵入式模型降阶
流体动力学
2020-01-14 v2
摘要
跨声速 regime 下的流体流动在航空航天工程中具有重要意义，特别是在商用航空运输飞行器的设计中。用于航空航天应用的跨声速流计算流体动力学模型由于高自由度以及守恒律的耦合特性，求解计算代价高昂。尽管这些问题对此类模型在航空航天设计中的使用构成了瓶颈，但可以通过构建称为降阶模型的特殊保结构代理模型来显著降低计算成本。然而，此类模型已知会产生巨大的离线成本，有时可能超过其潜在收益。此外，已知其在跨声速流条件下的预测精度较差。在这项工作中，我们提出一种机器学习方法，通过深度神经网络构建降阶模型，并展示了其以显著更低的离线与在线成本保持精度的能力。此外，我们的机器学习方法通过本征正交分解的可解释编码利用，是物理信息驱动且受约束的。针对在变化来流马赫数、攻角以及具有变形网格的翼型形状参数下的RAE2822翼型无粘跨声速流的应用表明，所提方法能很好地适应高维参数变化。值得注意的是，所提框架不需要了解数据生成阶段使用的数值算子，从而展示了其在多样工程应用快速探索设计空间中的潜在效用。
引用
@article{arxiv.1911.07943,
title = {Machine-Learning for Nonintrusive Model Order Reduction of the Parametric Inviscid Transonic Flow past an airfoil},
author = {S. Ashwin Renganathan and Romit Maulik and Vishwas Rao},
journal= {arXiv preprint arXiv:1911.07943},
year = {2020}
}