Il ruolo dell'apprendimento automatico nell'ottimizzazione aerodinamica

I dispositivi di sollevamento, inclusi slat, lembo e le estensioni di punta, sono vitali per generare l'ascensore aggiuntivo richiesto durante il decollo e lo sbarco. La loro geometria influenza direttamente le caratteristiche dello stallo, del trascinamento e del rumore. Tradizionalmente, ottimizzando queste forme si basano su test di tunnel eolico iterativo e simulazioni fluide computazionali (CFD) che richiedono tempo e costano.

I modelli ML possono apprendere le complesse relazioni non lineari tra parametri di forma e metriche di performance aerodinamiche come coefficiente di sollevamento, coefficiente di resistenza e coefficiente di istante. Questa capacità consente agli ingegneri di visualizzare rapidamente migliaia di progetti candidati, identificare le regioni promettenti dello spazio di progettazione e anche generare configurazioni nuove che sarebbero difficili da concepire manualmente. Il risultato è una drammatica accelerazione del ciclo di progettazione, riducendo spesso le settimane di CFD corre fino alle ore.

Come l'apprendimento della macchina si adatta al processo di progettazione

In un tipico flusso di lavoro di ottimizzazione aerodinamica ML, viene valutato un insieme di disegni iniziali utilizzando dati CFD o sperimentali. Questo dato forma un modello surrogato - un'approssimazione matematica della vera fisica. Il modello surrogato viene utilizzato per prevedere le prestazioni di nuovi disegni ad una frazione del costo di simulazione computazionale.

Un altro approccio è inverso design[]] utilizzando ML. Invece di ottimizzare da una linea di base, un modello ML impara a mappare direttamente le proprietà aerodinamiche desiderate (ad esempio, la distribuzione di ascensore di destinazione) ai parametri di forma necessari.

Tipi di tecniche di apprendimento della macchina usate

L'ampia gamma di tecniche ML consente agli ingegneri di personalizzare l'approccio di ottimizzazione al problema specifico.

Apprendimento supervisionato

I modelli di apprendimento supervisionati, come reti neurali, macchine vettoriali di supporto o foreste casuali, sono formati su set di dati etichettati dove ogni design è associato con le sue prestazioni aerodinamiche. Questi modelli imparano la mappatura da input (parametri di accoppiamento, condizioni di flusso) a output (lift, drag). Una volta addestrati, possono prevedere le prestazioni per progetti invisibili quasi istantaneamente. La qualità delle previsioni dipende fortemente dalla copertura e la densità dei dati di formazione attiva.

Apprendimento di rinforzo

L'apprendimento delle forze di forza (RL) tratta l'ottimizzazione della forma come un problema di decisione sequenziale. Un agente agisce (facendo cambiamenti incrementali a una forma) e riceve ricompense basate sulle prestazioni aerodinamiche che ne risultano. Attraverso la prova e l'errore, l'agente impara una politica che massimizza la ricompensa cumulativa, che consente di ottenere forme ottimali. RL è particolarmente utile quando lo spazio di progettazione è grande e continuo, in quanto può esplorare in modo efficiente senza dover affrontare un processo di distribuzione di adattamento combinato.