定常来流下钝体二维组合断面气动特性与流场的智能预测方法

结构断面气动性能的高效精准获取对于设计优化至关重要。特别是在处理结构断面设计参数多样性和优化方向不确定性的迭代计算任务时,为了解决效率低下的问题,本文提出一种基于深度学习代理模型的智能预测方法,对定常风下钝体二维组合断面的绕流流场及三分力系数进行快速精准预测。具体而言,该方法采用类似图片的一致化形状表达来描述钝体组合断面的气动外形,具有不受断面形式限制的通用性;通过融合卷积注意力机制模块与残差模块构建神经网络架构,并利用均方误差来捕捉神经网络预测误差,实现了从气动外形到绕流流场及三分力系数的强非线性映射。
研究结果表明,该方法在定常风条件下,对钝体二维组合断面的时均绕流流场、表面压力分布以及三分力系数的预测误差分别控制在3.7%、0.35%和6.25%以内,满足精度要求,且与传统CFD模拟计算相比,计算效率提升了4个数量级。该方法为定常风下钝体断面气动性能的快速预测提供了一种高效、实用的技术手段。