تحقيق الاستخدام الأمثل لأشكال الأجهزة العالية الراقية باستخدام التعلم في مجال الآلات من أجل تحسين الأداء الأيروديني

دور التعلم في مجال الآلات في تحقيق الاستخدام الأمثل

إن أجهزة رفع عالية، بما في ذلك الصفائح، والثغرات، والتمديدات الرائدة، هي عوامل حيوية لتوليد الرفع الإضافي اللازم أثناء التصفية والهبوط، وتؤثر مستمداتها من الأرض تأثيرا مباشرا على خصائص التوقف، والسحب، والضوضاء، وتعتمد هذه الأشكال تقليديا على اختبارات النفق الريحية المتكررة وديناميات السائل المحاكاة - على أساس أسرع من الوقت، وعلى التعليم البديل.

ويمكن لنماذج القانون النموذجي أن تتعلم العلاقات المعقدة وغير الخطية بين معايير الشكل ومقاييس الأداء الهوائية مثل معامل الرفع، ومعامل الجر، ومعامل اللحظات، وهذا القدرة يتيح للمهندسين أن يفحصوا بسرعة آلاف تصميمات المرشحين، وأن يحددوا المناطق الواعدة في مجال التصميم، بل وأن يولدوا تشكيلات جديدة يصعب تصورها يدويا، ونتيجة لذلك تتسارع بشكل كبير في دورة التصميم، مما يقلل في كثير من الأحيان من ساعات العمل.

How Machine Learning Fits into the Design Process

وفي إطار تدفق العمل ذي التوجهات المتوسطة والمتوسطة، يتم تقييم مجموعة من التصميمات الأولية باستخدام بيانات الـ CFD أو بيانات تجريبية، وتدرب هذه البيانات على وضع نموذج بديل - تقدير الرياضي للفيزياء الحقيقية، ثم يستخدم النموذج البديل للتنبؤ بأدائها في شكل تصميمات جديدة بجزء من التكلفة الافتراضية.

وثمة نهج آخر هو [(FLT:0]] Inverse design] باستخدام ML. بدلاً من الاستفادة المثلى من خط الأساس، يتعلم نموذج ML رسم خرائط مباشرة للممتلكات الأيرودينامية المرغوبة (مثل توزيع المصعد المستهدف) إلى بارامترات الشكل اللازمة، وهذا يعكس تدفق العمل التقليدي ويمكن أن ينتج تصميمات غير تقليدية ولكنها فعالة، على سبيل المثال، الشبكات العصبية المدربة على قاعدة بيانات من الهواء.

أنواع تقنيات التعلم الآلاتي المستخدمة

وتتيح مجموعة واسعة من تقنيات حركة تحرير الكونغو للمهندسين تكييف نهج التأقلم الأمثل مع المشكلة المحددة، كما أن الفئات الأكثر شيوعاً المطبقة على أجهزة رفع عالية الشكل الأمثل.

التعليم الإشرافي

ويجري تدريب نماذج التعلم المشرف عليها، مثل الشبكات العصبية، أو آلات دعم ناقلات الأمراض، أو الغابات العشوائية، على مجموعات البيانات المسمومة التي يقترن فيها كل تصميم بأداء مركب هوائي، وتتعلم هذه النماذج رسم الخرائط من المدخلات (معايرة التدفق، وشروط التدفق) إلى الناتج (الرفع، الجر) ويمكنها، بعد التدريب، التنبؤ بالأداء بالنسبة للتصميمات غير المنظورة على الفور تقريبا، وتعتمد جودة التنبؤات على إضافة التدريب.

تعزيز التعلم

ويعالج التعلُّم في مجال تعزيز الطاقة الشكل الأمثل كمشكلة تسلسلية في القرار، ويتخذ الوكيل إجراءات (تأثير تغييرات تدريجية في شكل ما) ويتلقى مكافآت تستند إلى الأداء الهوائي الناجم عن ذلك، ويتعلم الوكيل، من خلال التجربة والخطأ، سياسة تزيد إلى أقصى حد من سرعة المكافأة الإجمالية إلى الأشكال المثلى، ويفيد القانون النموذجي بشكل خاص عندما يكون الحيز المخصص للتصميم كبيرا ومستمرا، حيث أنه يمكن أن يستكشف بكفاءة من دون الحاجة إلى استخدام القوة.