Ο ρόλος της μηχανικής μάθησης στην αεροδυναμική βελτιστοποίηση

Οι συσκευές υψηλής ανύψωσης, συμπεριλαμβανομένων των σλάτς, πτερύγια, και προηγμένες επεκτάσεις, είναι ζωτικής σημασίας για τη δημιουργία της πρόσθετης άνωσης που απαιτείται κατά την απογείωση και προσγείωση. γεωμετρία τους επηρεάζει άμεσα τα χαρακτηριστικά σταθερών, drag, και θόρυβο. Παραδοσιακά, βελτιστοποίηση αυτών των σχημάτων στηριγμένο σε επαναληπτικές δοκιμές αιολικής σήραγγας και υπολογιστική δυναμική ρευστών (CFD) προσομοιώσεις - τόσο χρονοβόρα και δαπανηρή.

Τα μοντέλα ML μπορούν να μάθουν τις σύνθετες, μη γραμμικές σχέσεις μεταξύ παραμέτρων σχήματος και αεροδυναμικών μετρήσεων απόδοσης όπως ο συντελεστής ανύψωσης, ο συντελεστής έλξης και ο συντελεστής στιγμής. Αυτή η ικανότητα επιτρέπει στους μηχανικούς να ελέγχουν γρήγορα χιλιάδες υποψήφια σχέδια, να προσδιορίζουν υποσχόμενες περιοχές του χώρου σχεδιασμού, και ακόμη να παράγουν νέες διαμορφώσεις που θα ήταν δύσκολο να συλλάβει με το χέρι. Το αποτέλεσμα είναι μια δραματική επιτάχυνση του κύκλου σχεδιασμού, συχνά μειώνοντας τις εβδομάδες CFD τρέχει σε ώρες.

Πώς η Μάθηση Μηχανικών Ταιριάζει στη Διαδικασία Σχεδίασης

Σε μια τυπική αεροδυναμική βελτιστοποίηση της ροής εργασίας, ένα σύνολο αρχικών σχεδίων αξιολογείται χρησιμοποιώντας CFD ή πειραματικά δεδομένα. Αυτό το data εκπαιδεύει ένα μοντέλο υποκατάστατης πύλης ⁇ μια μαθηματική προσέγγιση της πραγματικής φυσικής. Το μοντέλο υποκατάστατης χρησιμοποιείται στη συνέχεια για να προβλέψει την απόδοση νέων σχεδίων σε ένα κλάσμα του υπολογιστικού κόστους. Αλγορίθμους βελτιστοποίησης, όπως η βελτιστοποίηση Bayesian ή γενετικοί αλγόριθμοι, να ζητήσει την υποκατάστατη για να βρει τα πιο πολλά υποσχόμενα σχήματα. Αυτά τα σχήματα επικυρώνονται αργότερα με προσομοιώσεις υψηλής πιστότητας, και η υποκατάστατη ενημερώνεται. Αυτός ο βρόχος, γνωστός ως βελτιστοποίηση με βάση την υπεργολαβία, συγκλίνει αποτελεσματικά σε κοντινές λύσεις.

Μια άλλη προσέγγιση είναι αντίστροφος σχεδιασμός χρησιμοποιώντας το ML. Αντί να βελτιστοποιεί από μια γραμμή βάσης, ένα μοντέλο ML μαθαίνει να χαρτογραφεί άμεσα τις επιθυμητές αεροδυναμικές ιδιότητες (π.χ., κατανομή του στόχου) στις απαραίτητες παραμέτρους σχήματος. Αυτό αντιστρέφει την παραδοσιακή ροή εργασίας και μπορεί να παράγει αντισυμβατικά αλλά αποτελεσματικά σχέδια. Για παράδειγμα, τα νευρωνικά δίκτυα που εκπαιδεύονται σε μια βάση δεδομένων αεροπτερυγίων μπορούν να δημιουργήσουν μια γεωμετρία σχισμής ή πτερυγίου που επιτυγχάνει μια προκαθορισμένη κατανομή πίεσης.

Τύποι Τεχνικών Μηχανικής Μάθησης

Η ευρεία σειρά τεχνικών ML επιτρέπει στους μηχανικούς να προσαρμόζουν την προσέγγιση βελτιστοποίησης στο συγκεκριμένο πρόβλημα. Παρακάτω είναι οι πιο κοινές κατηγορίες που εφαρμόζονται στην βελτιστοποίηση σχήματος συσκευής υψηλής ανύψωσης.

Επιθεωρούμενη Μάθηση

Τα μοντέλα αυτά μαθαίνουν τη χαρτογράφηση από την είσοδο (παράμετροι μορφοτύπου, συνθήκες ροής) στην έξοδο (lift, drag). Μόλις εκπαιδευτούν, μπορούν να προβλέψουν την απόδοση για αόρατα σχέδια σχεδόν στιγμιαία. Η ποιότητα των προβλέψεων εξαρτάται σε μεγάλο βαθμό από την κάλυψη και την πυκνότητα των δεδομένων κατάρτισης. Στην πράξη, οι μηχανικοί συχνά χρησιμοποιούν την ενεργό μάθηση για να επιλέξουν τα πιο ενημερωτικά σχέδια για να προσθέσουν στο σύνολο της εκπαίδευσης, μεγιστοποιώντας την ακρίβεια μοντέλου με ελάχιστο υπολογιστικό κόστος.

Ενίσχυση της Μάθησης

Η ενίσχυση της μάθησης (RL) αντιμετωπίζει τη βελτιστοποίηση του σχήματος ως πρόβλημα διαδοχικής απόφασης. Ένας πράκτορας αναλαμβάνει ενέργειες (κάνοντας τις πρόσθετες αλλαγές σε ένα σχήμα) και λαμβάνει ανταμοιβές με βάση την προκύπτουσα αεροδυναμική απόδοση. Μέσω της δοκιμής και του λάθους, ο πράκτορας μαθαίνει μια πολιτική που μεγιστοποιεί την αθροιστική ανταμοιβή ⁇ οδηγώντας σε βέλτιστα σχήματα. RL είναι ιδιαίτερα χρήσιμο όταν ο χώρος σχεδιασμού είναι μεγάλος και συνεχής, καθώς μπορεί να εξερευνήσει αποτελεσματικά χωρίς να απαιτεί ένα αρχικό σύνολο δεδομένων.