Aerodynamic Optimization में मशीन लर्निंग की भूमिका

उच्च लिफ्ट उपकरणों, जिसमें स्लैट, फ्लैप्स और अग्रणी बढ़त एक्सटेंशन शामिल हैं, टेकऑफ़ और लैंडिंग के दौरान आवश्यक अतिरिक्त लिफ्ट उत्पन्न करने के लिए महत्वपूर्ण हैं। उनकी ज्यामिति सीधे स्टाल विशेषताओं, खींचें और शोर को प्रभावित करती है। परंपरागत रूप से, इन आकृतियों को चुनकर, iterative पवन सुरंग परीक्षण और कम्प्यूटेशनल तरल गतिशीलता (CFD) सिमुलेशन पर निर्भर करती है - दोनों समय लेने वाली और महंगी। मशीन लर्निंग (ML) अब विशाल डेटासेट से पैटर्न निकालने के द्वारा एक शक्तिशाली विकल्प प्रदान करती है, जिससे तेजी से और अधिक अभिनव डिजाइन अन्वेषण सक्षम हो जाता है।

एमएल मॉडल आकार मापदंडों और वायुगतिकीय प्रदर्शन मीट्रिक जैसे लिफ्ट गुणांक, ड्रैग गुणांक और पल गुणांक के बीच जटिल, गैर-रैखिक संबंधों को सीख सकते हैं। यह क्षमता इंजीनियरों को हजारों उम्मीदवार डिज़ाइनों को जल्दी से स्क्रीन करने की अनुमति देती है, डिजाइन स्पेस के आशाजनक क्षेत्रों की पहचान करती है, और यहां तक कि उपन्यास विन्यास उत्पन्न करती है जो मैन्युअल रूप से कल्पना करना मुश्किल होगा। परिणाम डिजाइन चक्र का नाटकीय त्वरण है, अक्सर घंटों तक सीएफडी रन के सप्ताह को कम करती है।

कैसे मशीन लर्निंग डिजाइन प्रक्रिया में फिट बैठता है

एक ठेठ एमएल संचालित वायुगतिकीय अनुकूलन वर्कफ़्लो में, प्रारंभिक डिजाइनों का एक सेट का मूल्यांकन सीएफडी या प्रयोगात्मक डेटा का उपयोग करके किया जाता है। यह डेटा एक सरोगेट मॉडल को प्रशिक्षित करता है - वास्तविक भौतिकी का गणितीय अनुमान। फिर सरोगेट मॉडल का उपयोग कम्प्यूटेशनल लागत के एक अंश पर नए डिजाइनों के प्रदर्शन की भविष्यवाणी करने के लिए किया जाता है। ऑप्टिमाइज़ेशन एल्गोरिदम, जैसे बेइशियन अनुकूलन या आनुवंशिक एल्गोरिदम, बेहतर रूप से आशाजनक आकार खोजने के लिए सरोगेट को क्वेरी करते हैं। बाद में ये आकार उच्च निष्ठा सिमुलेशन के साथ मान्य होते हैं, और सरोगेट को अद्यतन किया जाता है। इस लूप को [FLT अनुकूलन: 0] के रूप में जाना जाता है।

एक अन्य दृष्टिकोण ]inverse Design[ एमएल का उपयोग करते हुए। एक बेसलाइन से अनुकूलन के बजाय, एक एमएल मॉडल को वांछित वायुगतिकीय गुणों (जैसे, लक्ष्य लिफ्ट वितरण) को आवश्यक आकार मापदंडों के लिए सीधे मैप करना सीखा है। यह पारंपरिक वर्कफ़्लो को उलट देता है और अपरंपरागत लेकिन प्रभावी डिजाइन का उत्पादन कर सकता है। उदाहरण के लिए, एयरफ़ोइल के डेटाबेस पर प्रशिक्षित तंत्रिका नेटवर्क एक स्लैट या फ्लैप ज्यामिति उत्पन्न कर सकता है जो निर्धारित दबाव वितरण को प्राप्त करता है।

प्रयुक्त मशीन लर्निंग तकनीकों के प्रकार

एमएल तकनीकों की विस्तृत श्रृंखला इंजीनियरों को विशिष्ट समस्या के अनुकूलन दृष्टिकोण को अनुरूप बनाने की अनुमति देती है। नीचे उच्च लिफ्ट डिवाइस आकार अनुकूलन के लिए लागू सबसे आम श्रेणियां हैं।

पर्यवेक्षण

पर्यवेक्षण के लिए सीखने के मॉडल, जैसे तंत्रिका नेटवर्क, समर्थन वेक्टर मशीनों, या यादृच्छिक जंगल, लेबल डेटासेट पर प्रशिक्षित होते हैं जहां प्रत्येक डिजाइन को इसके वायुगतिकीय प्रदर्शन के साथ जोड़ा जाता है। ये मॉडल आउटपुट (लिफ्ट, खींचें) में इनपुट (आकार पैरामीटर, प्रवाह की स्थिति) से मैपिंग सीखते हैं। एक बार प्रशिक्षित होने के बाद, वे लगभग तात्कालिक डिजाइनों के लिए प्रदर्शन की भविष्यवाणी कर सकते हैं। भविष्यवाणियों की गुणवत्ता प्रशिक्षण डेटा के कवरेज और घनत्व पर बहुत निर्भर करती है। अभ्यास में, इंजीनियर अक्सर प्रशिक्षण सेट में जोड़ने के लिए सबसे अनौपचारिक डिजाइनों का चयन करने के लिए सक्रिय सीखने का उपयोग करते हैं, न्यूनतम कम्प्यूटेशनल लागत के साथ मॉडल सटीकता को अधिकतम करते हैं।

सुदृढ़ीकरण शिक्षा

सुदृढीकरण सीखने (आरएल) एक अनुक्रमिक निर्णय समस्या के रूप में आकार अनुकूलन का इलाज करता है। एक एजेंट कार्रवाई करता है (एक आकार में वृद्धिशील परिवर्तन) और परिणामी वायुगतिकीय प्रदर्शन के आधार पर पुरस्कार प्राप्त करता है। परीक्षण और त्रुटि के माध्यम से, एजेंट एक ऐसी नीति सीखता है जो संचयी इनाम को अधिकतम करता है- इष्टतम आकार की अग्रणी। आरएल विशेष रूप से उपयोगी है जब डिजाइन स्थान बड़ा और निरंतर होता है, क्योंकि यह प्रारंभिक डेटासेट की आवश्यकता के बिना कुशलतापूर्वक पता लगा सकता है। हाल के काम ने फ़्लैप तैनाती अनुक्रमों को अनुकूलित करने या विंग ज्यामिति को आकार देने के लिए सीएफडी सोलर्स के साथ गहरे आरएल को जोड़ा है।