基于无监督聚类的仿生推进器涡尾流分类与性能预测
流体动力学
2022-04-27 v2
摘要
开发了一种无监督机器学习策略，用于将仿生推进器的涡尾流自动聚类为具有相似推进推力和效率度量的组。通过改变频率、升沉幅值和俯仰幅值，利用计算流体动力学模拟了种独特运动学下的俯仰-升沉翼型。采用雷诺平均纳维-斯托克斯(RANS)模型在下模拟振荡翼型上的流动，计算推进效率、推力系数和非定常涡量尾流特征。利用成对皮尔逊相关性发现，斯特劳哈尔数(Strouhal number)对推力系数的影响最强，而由冲程中点与最大值定义的相对攻角对推进效率影响最为显著。接下来，仅利用尾流中的涡量足迹将各种运动学自动聚类为不同的组。开发了卷积自编码器将涡尾流图像降维至其最显著特征，并由k-means++算法执行聚类。通过将聚类结果与推力-推进效率图进行比较来评估所得结果，证实具有相似性能度量的尾流被成功聚在一起。这种自动聚类有潜力识别尾流中复杂的涡量模式以及传统分类方法不易辨明的推进模态。
引用
@article{arxiv.2010.11865,
title = {Unsupervised Clustering and Performance Prediction of Vortex Wakes from Bio-inspired Propulsors},
author = {Alejandro G. Calvet and Mukul Dave and Jennifer A. Franck},
journal= {arXiv preprint arXiv:2010.11865},
year = {2022}
}
备注
16 pages, 13 figures