Rooli koneen oppimisen aerodynaaminen optimointi

Korkea hissi laitteet, kuten slats, läpät, ja huippu-edellä laajennuksia, ovat elintärkeitä tuottaa lisähissi tarvitaan aikana lentoon ja lasku. Heidän geometria suoraan vaikuttaa viivyttää ominaisuuksia, vetää, ja melua. Perinteisesti, optimoimalla nämä muodot perustuu iteratiivisen tuulitunnelien testit ja laskennallisen nesteen dynamiikka (CFD) simulaatioita. Sekä aikaa vievä ja kallis. Koneoppiminen (ML) tarjoaa nyt tehokas vaihtoehto poimimalla kuvioita laajoista dataset, mahdollistaa nopeamman ja innovatiivisemman suunnittelun etsintä.

ML-mallit voivat oppia monimutkaiset, epälineaariset suhteet muotoparametrien ja aerodynaamisten suorituskykymittareiden välillä, kuten nostokerroin, vetokerroin ja momenttikerroin. Tämän kyvyn ansiosta insinöörit voivat nopeasti seuloa tuhansia ehdokasmalleja, tunnistaa lupaavia alueita suunnittelutilasta ja jopa luoda uusia konfiguraatioita, joita olisi vaikea käsittää käsin. Tuloksena on suunnittelusyklin dramaattinen kiihtyminen, joka usein vähentää viikkoja CFD-juoksuja tunneihin.

Miten koneoppiminen sopii suunnitteluprosessiin

Tyypillisessä ML-lähtöisessä aerodynaamisessa optimointityössä arvioidaan alkusuunnittelun CFD- tai kokeellisen datan avulla. Tämä data kouluttaa sijaismallin.Todellisen fysiikan matemaattinen likiarvoisuus. Surrogate-mallia käytetään sitten ennustamaan uusien mallien suorituskykyä murto-osalla laskennallisesta kustannuksista. Optimointialgoritmit, kuten Bayesialainen optimointi tai geneettinen algoritmi, kysele sijaissynnyttäjältä kaikkein lupaavimpia muotoja. Nämä muodot validoidaan myöhemmin korkeauskoisuuden simulaatioilla ja sijaissynnyttäjä päivitetään. Tämä silmukka, joka tunnetaan []-perrogaatipohjaisena optimointina [, on tehokkaasti lähentyy lähes optimaalisten ratkaisujen kanssa.

Toinen lähestymistapa on käänteinen suunnittelu[] käyttäen ML. Sen sijaan, että optimoitaisiin perustasosta, ML malli oppii suoraan kartoittamaan halutut aerodynaamiset ominaisuudet (esim. kohdehissin jakelu) tarvittaviin muotoparametreihin. Tämä kääntää perinteisen työnkulun ja voi tuottaa epätavanomaista mutta tehokasta suunnittelua. Esimerkiksi neuroverkot, jotka on koulutettu ilmafolioiden tietokantaan, voivat tuottaa latta- tai läpän geometrian, joka saavuttaa määrätyn paineen jakautumisen.

Käytettyjen koneoppimistekniikoiden tyypit

Laaja valikoima ML-tekniikoita mahdollistaa insinöörit räätälöidä optimointi lähestymistapa erityisongelma. Alla ovat yleisimmät luokat sovelletaan korkea nostolaitteen muodon optimointi.

Valvottu oppiminen

Valvotut oppimismallit, kuten hermoverkot, tukivektorikoneet tai satunnaiset metsät, on koulutettu tunnistetuissa aineistoissa, joissa jokainen suunnittelu on kytketty yhteen sen aerodynaamisen suorituskyvyn kanssa. Nämä mallit oppivat kartoituksen syötteestä (muotoparametrit, virtausolosuhteet) lähtöön (nosto, vetäminen). Kun ne ovat koulutettuja, ne voivat ennustaa suorituskyvyn näkymättömille suunnitelmille lähes välittömästi. Ennustusten laatu riippuu suuresti koulutustietojen kattavuudesta ja tiheydestä. Käytännössä insinöörit käyttävät usein aktiivista oppimista iteratiivisesti valitakseen kaikkein informatiivisimmat mallit lisätäkseen koulutussarjaan, maksimoiden mallin tarkkuuden minimaalisen laskennallisen kustannus.

Oppimisen vahvistaminen

Vahvistusoppiminen (RL) käsittelee muodon optimointia peräkkäisenä päätöksenteko-ongelmana. Agentti toteuttaa toimia (tekemällä asteittain muutoksia muotoon) ja saa palkintoja tuloksena olevan aerodynaamisen suorituskyvyn perusteella. Kokeilun ja virheen kautta agentti oppii politiikan, joka maksimoi kumulatiivisen palkitsemisen. RL on erityisen hyödyllinen, kun suunnittelutila on suuri ja jatkuva, koska se voi tutkia tehokkaasti ilman alkutietoaineistoa. Viimeaikainen työ on yhdistänyt syvän RL- ja CFD-ratkaisut optimoimaan läpän käyttöönottojaksoja tai siirtyvän siiven geometries.