Maskinlæringens rolle i aerodynamisk optimering

Høye løfteenheter, inkludert slats, klaffer og ledende utvidelser, er avgjørende for å generere den ekstra heisen som kreves under takeoff og landing. Deres geometri direkte påvirker bod egenskaper, dra og støy. Tradisjonelt optimalisere disse figurene som er avhengig av iterativ vindtunneltest og beregningsvæskedynamikk (CFD) simuleringer - både tidskrevende og dyrt. Maskinlæring (ML) tilbyr nå et kraftig alternativ ved å trekke ut mønstre fra store datasett, noe som muliggjør raskere og mer innovative designutforsking.

ML-modeller kan lære komplekse, ikke-lineære relasjoner mellom formparametre og aerodynamiske ytelsesmetrikker som heiskoeffisient, dra koeffisient og øyeblikkskoeffisient. Denne evnen gjør det mulig for ingeniører å raskt skjerme tusenvis av kandidatdesign, identifisere lovende regioner i designrommet, og til og med generere nye konfigurasjoner som ville være vanskelig å tenke manuelt. Resultatet er en dramatisk akselerasjon av designsyklusen, ofte redusere uker med CFD kjører til timer.

Hvordan maskinlæring passer inn i designprosessen

I en typisk ML-drevet aerodynamisk optimaliseringsarbeidsflyt blir et sett av opprinnelige design evaluert ved hjelp av CFD eller eksperimentelle data. Denne dataen trener en surrogatmodell ⁇ en matematisk tilnærming av den sanne fysikken. Surrogatmodellen brukes så til å forutsi ytelsen til nye designer til en brøkdel av beregningskostnaden. Optimasjonsalgoritmer, som Bayesisk optimering eller genetiske algoritmer, spør surrogaten om å finne de mest lovende formene. Disse figurene er senere validert med høyfidelssimuleringer, og surrogaten oppdateres. Denne loopen, kjent som ]

En annen tilnærming er invers design ved hjelp av ML. I stedet for å optimalisere fra en baseline lærer en ML-modell å direkte kartlegge ønsket aerodynamiske egenskaper (f.eks. målheisfordeling) til de nødvendige formparametrene. Dette reverserer den tradisjonelle arbeidsflyten og kan produsere ukonvensjonelle, men effektive design. For eksempel kan nevrale nettverk trent på en database av airfoils generere en slat eller flapgeometri som oppnår en foreskrevet trykkfordeling.

Typer maskinlæringsteknikker som brukes

Den brede rekke ML teknikker gjør det mulig for ingeniører å skreddersy optimalisering til den spesifikke problem. Nedenfor er de vanligste kategoriene som brukes på høyløfte enhet form optimalisering.

Overvåket læring

Overvåkede læringsmodeller, som nevrale nettverk, støtte vektormaskiner eller tilfeldige skoger, er trent på merket datasett der hver design er koblet til sin aerodynamiske ytelse. Disse modellene lærer kartlegging fra inngang (formparametre, flytforhold) til utgang (løft, dra). Når de er utdannet, kan de forutsi ytelse for usynlige design nesten umiddelbart. Kvaliteten på forutsigelsene avhenger sterkt av dekning og tetthet av treningsdataene. I praksis bruker ingeniører ofte aktiv læring til å iterativt velge de mest informative designene for å legge til treningssettet, maksimere modell nøyaktighet med minimal beregningskostnad.

Styrkelseslæring

Forsterkningslæring (RL) behandler formoptimering som et sekvensiell beslutningsproblem. Et agent tar tiltak (som gjør trinnvis endringer i en form) og får belønninger basert på den resulterende aerodynamiske ytelsen. Gjennom prøve og feil lærer agenten en politikk som maksimerer kumulativ belønning ⁇ som fører til optimale former. RL er spesielt nyttig når designrommet er stort og kontinuerlig, som det kan utforske effektivt uten å kreve et initialt datasett. Nylig arbeid har kombinert dyp RL med CFD-løsere for å optimalisere klaffutplasseringssekvenser eller morfing vinggeometrier.