エアロダイナミック最適化における機械学習の役割

傾斜、折り返し、および最先端の拡張を含む高いリフト装置は、離陸および着陸時に必要な追加のリフトを生成するために不可欠です。 彼らの幾何学は、直接、固定特性、ドラッグ、およびノイズに影響を与えます。 伝統的に、これらの形状を反復風洞テストおよび計算式流体動的(CFD)シミュレーションに依存する最適化(ML)は、時間と費用を要する。 機械学習(ML)は、広大なデータセットからパターンを抽出することにより、強力な代替手段を提供し、より速く設計および設計を可能にしています。

MLモデルは、形状パラメータとリフト係数、ドラッグ係数、および瞬間係数などの非線形性能メトリック間の複雑な非線形関係を学ぶことができます。 この機能は、エンジニアはすぐに候補のデザインの数千を画面表示し、設計領域の有望な領域を特定し、手動で認識しにくい新しい構成を生成することができます。 結果は、設計サイクルの劇的な加速であり、多くの場合、CFDの数週間を削減する。

マシンラーニングが設計プロセスにどのように適合するか

典型的なML駆動の空力最適化ワークフローでは、初期設計のセットはCFDや実験データを用いて評価されます。このデータは、真の物理の数学的近似である、代理モデルを訓練します。その後、surrogateモデルは、計算コストの分数で新しい設計のパフォーマンスを予測するために使われます。Bayesianの最適化や遺伝子アルゴリズムなどの最適化アルゴリズムは、後方図形を調べるためにsurrogateを尋ねます。[F] と、これらの決定された図形は、これらの図形を正確に検証します。[F]

もう一つの方法は、ML を使用して [ のインバースデザイン です。 ベースラインから最適化する代わりに、MLモデルは、必要な空力特性(例えば、ターゲットリフト分布)を直接マップするために学習します。 これは、従来のワークフローを反転し、不便性が効果的な設計を生成することができます。 例えば、エアフォイルのデータベースに訓練されたニューラルネットワークは、slat または規定された形状分布を生成することができます。

使用される機械学習技術のタイプ

ML 技術の広い配列は、エンジニアが特定の問題に対する最適化アプローチを調整することができます。以下は、高リフトデバイス形状の最適化に適用される最も一般的なカテゴリです。

勉強を勉強

神経ネットワーク、サポートベクターマシン、またはランダムフォレストなどの超視学習モデルは、各設計がその空力性能と対合するラベル付きデータセットで訓練されています。 これらのモデルは、入力(形状パラメータ、フロー条件)から出力(リフト、ドラッグ)へのマッピングを学びます。 訓練されたら、彼らはほとんど瞬時にunseen設計のためのパフォーマンスを予測することができます。 予測の品質は、トレーニングデータの適用範囲と密度に大きく左右されます。 練習では、多くの場合、それは最も効率的な設計をするために、最も必要な設計を効率的にするために、必要な設計を効率的にします。

強化学習

強化学習(RL)は、シーケンシャル決定問題として形状の最適化を扱います。エージェントは、アクション(増分的な変化を形に)をとり、その結果を軸としたエアロダイナミック性能に基づいて報酬を受け取ります。試験とエラーにより、エージェントは、最適な形状を導き出す累積報酬を最大化するポリシーを学びます。 RLは、設計スペースが大きく、連続的に、初期のデータセットを必要としずに効率的に探索できるときに特に便利です。 最近の作業は、詳細なジオフラッディングを最適化するような方法で調整するような方法で、または最適化するような方法で調整します。