基于深度神经网络的含运动边界非定常流场预测方法研究

针对飞行器设计过程中对流固耦合系统快速预测的需求，探索基于数据驱动的非定常流场建模策略，缩短流场演化求解耗时，从而加快流固耦合系统模拟速度。流固耦合系统中流场演化求解部分等价于含运动边界的非定常流场演化。本文提出了一种基于神经网络的流场预测模型，来学习并预测运动边界附近的非定常流场演化过程。此神经网络可以基于当前流场状态及边界运动信息预测出下一个时刻的流场状态。通过不同振动频率及振幅下的运动圆柱绕流问题，测试了本文提出的神经网络模型的预测精度及泛化能力。神经网络的预测结果和计算流体力学仿真结果中流场结构吻合度较高，且通过对预测的流场数据中边界上的压力积分得到的气动力也具有较高的精度。测试结果展示了该神经网络模型具有良好的预测性能，因此该方法可以用于快速、准确获得运动边界周围非定常流场状态。