基于几何编码与深度学习策略的超临界翼型跨声速流预测
流体动力学
2023-08-02 v1
摘要
为缩短超临界翼型的设计周期，必须快速且准确地求解不同流动条件下超临界翼型上可压缩流的雷诺平均 Navier-Stokes 方程。尽管深度学习方法能有效预测流场，但其在敏感区域附近的预测精度以及对工程应用中大规模数据集的泛化能力仍需提升。本研究设计了一种基于改进视觉 transformer 的编码器-解码器网络，用于预测超临界翼型上的跨声速流。此外，设计了四种方法以编码具有不同信息点的几何输入，并比较了这些方法的性能。统计结果表明，这些方法在整个流场上生成准确预测，平均绝对误差量级为 1e-4。为提高激波区域附近的精度，在损失函数中引入了多级小波变换与梯度分布损失。这使得激波区域附近通常观察到的最大误差降低了 50%。进一步地，模型通过迁移学习在大规模数据集上预训练并在小数据集上微调，以提升其在工程应用中的泛化能力。各种预训练模型生成的结果表明，迁移学习以更短的训练时间获得了相当的精度。
引用
@article{arxiv.2303.03695,
title = {Prediction of transonic flow over supercritical airfoils using geometric-encoding and deep-learning strategies},
author = {Zhiwen Deng and Jing Wang and Hongsheng Liu and Hairun Xie and BoKai Li and Miao Zhang and Tingmeng Jia and Yi Zhang and Zidong Wang and Bin Dong},
journal= {arXiv preprint arXiv:2303.03695},
year = {2023}
}