从二维超临界翼型到三维跨声速后掠翼的迁移学习研究
流体动力学
2023-04-19 v1
摘要
机器学习已广泛用于流体力学研究与气动优化。然而，大多数应用，尤其是流场建模与反设计，涉及二维流动与几何。三维问题的维度极高，以至于准备充足样本过于困难且昂贵。因此，迁移学习成为一种有前景的方法，可复用训练良好的二维模型并大幅降低三维问题对样本的需求。本文提出复用训练于超临界翼型上的基线模型来预测有限翼展后掠超临界机翼，其中嵌入简单后掠理论以提高预测精度。研究了两种用于迁移学习的基线模型：一种通常称为基于几何预测压力系数分布的正问题，另一种是基于压力系数分布预测几何的反问题。对两种基线模型比较了两种迁移学习策略。随后在所迁移模型上测试其对完整机翼的预测。结果表明，迁移学习仅需约500个机翼样本即可在不同机翼平面形与不同自由流条件下取得良好预测精度。与两种基线模型相比，所迁移模型分别将预测误差降低了60%与80%。
引用
@article{arxiv.2206.02625,
title = {Study of transfer learning from 2D supercritical airfoils to 3D transonic swept wings},
author = {Runze Li and Yufei Zhang and Haixin Chen},
journal= {arXiv preprint arXiv:2206.02625},
year = {2023}
}