基于深度强化学习的叶片通道最优网格非迭代生成
机器学习
2023-05-11 v2 计算工程、金融与科学
摘要
本文开发了一种利用深度强化学习(DRL)为非任意叶片通道非迭代生成最优网格的方法。尽管网格生成已通过经验方法或优化算法实现自动化,针对新几何仍须反复调参。本文所开发方法采用基于 DRL 的多条件优化技术,将最优网格参数定义为叶片几何的函数,从而实现自动化、最小化人工干预并提升计算效率。该方法通过训练椭圆网格生成器来优化网格参数,该生成器为任意叶片几何的叶片通道生成结构化网格。在 DRL 过程的每一回合中,训练网格生成器通过更新网格参数为随机选取的叶片通道生成最优网格,直至以雅可比矩阵行列式之比与偏斜度衡量的网格质量达到最高水平。训练完成后,网格生成器一次性为新任意叶片通道创建最优网格,无需从零开始反复调参。所提方法的有效性与鲁棒性通过对多种叶片通道的网格生成得到验证。
引用
@article{arxiv.2209.05280,
title = {Non-iterative generation of an optimal mesh for a blade passage using deep reinforcement learning},
author = {Innyoung Kim and Sejin Kim and Donghyun You},
journal= {arXiv preprint arXiv:2209.05280},
year = {2023}
}
备注
53 pages and 11 figures