| 快速预测跨声速流场的深度学习方法 |
| |
| 作者姓名： | 奕建苗 邓枫 覃宁 刘学强 |
| |
| 作者单位： | 1. 南京航空航天大学 航空学院 飞行器先进设计技术国防重点学科实验室, 南京 210016;2. University of Sheffied Department of Mechanical Engineering, Sheffield S1 3 JD |
| |
| 基金项目： | 国家自然科学基金;国家自然科学基金;国家自然科学基金;江苏高校优势学科建设工程资助项目 |
| |
| 摘 要： | 计算流体力学（CFD）代码所需的计算成本和内存需求对于工程设计（如空气动力学形状优化）可能变得非常高。基于深度学习的亚声速流场重构已经非常成功。相比亚声速流场,跨声速流场数据梯度更大,几何敏感度高。因此,基于传统的编码器-解码器架构的模型精度有限。建立基于U-Net架构的深度卷积神经网络（CNN）来快速预测跨声速流场。不同几何翼型的高保真度求解流场被用作训练数据。神经网络将表示翼型几何的符号距离函数（SDF）作为输入,将翼型外围压力场和速度场作为输出。与基准编码器-解码器架构相比,新的U-Net架构的误差降低了约24%。梯度锐化增强了流场的可视化效果,同时进一步将误差减小了约10%。最终,深度学习模型在速度场和压力场的误差保持在1.013%和4.625%。
|
| 关 键 词： | 计算流体力学 深度学习 U-Net 卷积神经网络 梯度锐化 |
| 收稿时间： | 2021-12-06 |
| 修稿时间： | 2022-02-21 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《航空学报》浏览原始摘要信息 |
|
点击此处可从《航空学报》下载全文 |
|
