基于深度学习代理模型的层流中最小阻力外形数值研究
流体动力学
2021-06-16 v2
摘要
在空气动力学外形优化中高效预测流场与载荷仍是一项极具挑战且重要的任务。由于深度学习在其他领域求解逆问题上的成功，其对此类问题尤为引人关注。本研究中，基于 U-net 的深度神经网络（DNN）模型利用高保真数据集训练以推断流场，随后用作代理模型来执行外形优化问题，即在二维稳态层流下寻找具有固定横截面积的最小阻力外形。采用水平集法与贝塞尔曲线法对外形进行参数化，同时利用训练好的神经网络结合自动微分计算优化框架中的梯度流。由 DNN 模型预测的流场计算得到的优化外形与阻力值，与通过 Navier-Stokes 求解器及文献获得的参考数据吻合良好，这表明 DNN 模型不仅能够预测流场，还能给出令人满意的气动力。这一点尤为可喜，因为 DNN 并未专门训练用于推断气动力。结合其快速运行时间，基于 DNN 的优化框架在一般空气动力学设计问题中展现出前景。
引用
@article{arxiv.2009.14339,
title = {Numerical investigation of minimum drag profiles in laminar flow using deep learning surrogates},
author = {Li-Wei Chen and Berkay Alp Cakal and Xiangyu Hu and Nils Thuerey},
journal= {arXiv preprint arXiv:2009.14339},
year = {2021}
}