תפקיד הלמידה של Machine ב- Aeroדינמית Optimization

מכשירים גבוהים להרים, כולל סלאטים, צפים, ורחבות מובילות, הם חיוניים לייצור המעלית הנוספת הנדרשת במהלך ההמראה והנחתה.גאומטריה שלהם משפיעה ישירות על המאפיינים דוכנים, גרור ורעש באופן מסורתי, אופטימיזציה של צורות אלה נשענים על בדיקות רוח הרדארטיבית ודינמיקה חישובית (CD) סימולציות - הן זמן-consuming ו יקר למידה (ML) מציעה כעת דפוסים חזקים יותר של פיתוח נתונים חדשניים.

מודלים ML יכולים ללמוד את היחסים המורכבים, הלא ליניאריים בין הפרמטרים של צורה לבין מדדי ביצועים אווירודינמית כגון הרם coefficient, גרר coefficient, וכרגע coefficient.יכולת זו מאפשרת למהנדסים למסך במהירות אלפי עיצובים של מועמדים, לזהות אזורים מבטיחים של חלל העיצוב, ואפילו ליצור תצורה חדשנית שיהיה קשה להרות באופן ידני.

כיצד Machine Learning Fits into the Design Process

בזרימת עבודה אווירודינמיאלית טיפוסית של ML, קבוצה של עיצובים ראשוניים מוערכת באמצעות נתוני CFD או ניסיוניים.הנתונים האלה מאמנים מודל חלופי – נספח מתמטי של הפיזיקה האמיתית.מודל הפונדקאית משמש לחיזוי הביצועים של עיצובים חדשים בשבריר של אלגוריתמים אופטימיזציה חישוביים, כגון אופטימיזציה בייסיציאנית או אלגוריתמים גנטיים, הפונדקאית למצוא ביעילות את הצורות המבטיחות האלה: 0Fgates מאוחר יותר, הוא סימולציה גבוהה.

גישה נוספת היא (FLT:0inverse designFLT:1hil באמצעות ML. במקום אופטימיזציה של בסיס, מודל ML לומד במפה ישירה תכונות אווירודימיות הרצויות (למשל, חלוקת מטרות) לפרמטרים הדרושים צורה.זה הופך את זרימת העבודה המסורתית ויכול לייצר עיצובים לא קונבנציונליים אבל יעילים.

שיטות למידת מכונות המשמשות

המערך הרחב של טכניקות ML מאפשר למהנדסים להתאים את גישת האופטימיזציה לבעיה הספציפית. להלן הן הקטגוריות הנפוצות ביותר החל אופטימיזציה של רמת המכשיר גבוהה.

למידה סופר-מעודכן

מודלים למידה על-ידי פיקוח, כגון רשתות עצביות, מכונות וקטורת תמיכה, או יערות אקראיים, מאומנים על נתונים מתוייגים שבו כל עיצוב מוזג עם הביצועים האירודינמיקה שלה.מודלים אלה לומדים את המיפוי מ קלט (פרמטרים, תנאי זרימה) לפלט (lift, גרר). לאחר אימון), הם יכולים לחזות ביצועים עבור עיצובים לא נראים כמעט מיידיים.

Reinforcement Learning

Reinforcement למידה (RL) מתייחסת אופטימיזציה בצורת כבעיה של החלטות הסתברותיות. סוכן נוקט פעולות (ביצוע שינויים מצטברים לצורה) ומקבל תגמולים המבוססים על הביצועים האירודינמיקה וכתוצאה מכך. באמצעות ניסוי וטעייה, הסוכן לומד מדיניות הממקסימה את הפרס המצטבר - המוביל לצורות אופטימליות של CRL הוא שימושי במיוחד כאשר המרחב העיצוב הוא גדול ורציונאלי, כפי שהוא יכול לחקור ביעילות ללא צורך רצף נתונים ראשוני משולב.