基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

自动编码器在流场降阶中的应用

自动编码器作为一种压缩算法,在数据降维和去噪等方面有着广泛实践,有条件作为一种降阶方法在流场识别与数据处理方面得到应用。文章中以圆柱绕流为例,首先对圆柱后速度场建立了编码模型,用来对原始数据进行降维和特征提取,之后将编码后的数据与流场特征量相关联,建立了由流场编码回归圆柱表面压力系数的神经网络,探索了降维后数据的应用。结果表明,自动编码得到的结果能够承载原始速度场的主要信息,解码后速度场与原速度场测试均方根误差小于0.02,压力回归测试均方根误差可小于0.1。说明自动编码器能够作为一种流场的特征提取和降阶方法,在未来得到更广泛的应用。