Роль машинного обучения в аэродинамической оптимизации

Высокоподъемные устройства, включая рейки, закрылки и передовые расширения, жизненно важны для создания дополнительного подъема, необходимого во время взлета и посадки. Их геометрия напрямую влияет на характеристики ларька, сопротивление и шум. Традиционно оптимизация этих форм основывалась на итерационных испытаниях аэродинамической трубы и компьютерных симуляциях динамики жидкости (CFD) - как трудоемких, так и дорогих. Машинное обучение (ML) теперь предлагает мощную альтернативу, извлекая шаблоны из обширных наборов данных, что позволяет быстрее и более инновационно исследовать дизайн.

Модели ML могут изучать сложные, нелинейные отношения между параметрами формы и аэродинамическими показателями производительности, такими как коэффициент подъема, коэффициент сопротивления и коэффициент момента. Эта возможность позволяет инженерам быстро просматривать тысячи проектов-кандидатов, определять перспективные области проектного пространства и даже генерировать новые конфигурации, которые было бы трудно представить вручную. Результатом является резкое ускорение цикла проектирования, часто сокращая недели CFD-запусков до часов.

Как машинное обучение вписывается в процесс проектирования

В типичном рабочем процессе аэродинамической оптимизации, основанном на ML, оценивается набор первоначальных проектов с использованием CFD или экспериментальных данных. Эти данные обучают суррогатную модель — математическое приближение истинной физики. Затем суррогатная модель используется для прогнозирования производительности новых проектов за долю вычислительной стоимости. Алгоритмы оптимизации, такие как байесовская оптимизация или генетические алгоритмы, запрашивают суррогатную модель, чтобы найти наиболее перспективные формы. Эти формы позже проверяются с помощью высокоточных симуляций, и суррогатная оптимизация обновляется. Этот цикл, известный как , эффективно сходится к почти оптимальным решениям.

Другой подход - обратный дизайн с использованием ML. Вместо оптимизации от базового уровня модель ML учится напрямую отображать желаемые аэродинамические свойства (например, распределение подъёмной силы цели) на необходимые параметры формы. Это меняет традиционный рабочий процесс и может создавать нетрадиционные, но эффективные конструкции. Например, нейронные сети, обученные на базе данных аэродинамических фольг, могут генерировать геометрию решетки или лоскута, которая достигает предписанного распределения давления.

Типы используемых методов машинного обучения

Широкий спектр методов ML позволяет инженерам адаптировать подход к оптимизации к конкретной проблеме. Ниже приведены наиболее распространенные категории, применяемые для оптимизации формы устройства с высокой подъемной силой.

Надзорное обучение

Надзорные модели обучения, такие как нейронные сети, машины опорных векторов или случайные леса, обучаются на меченых наборах данных, где каждый дизайн сопряжен с его аэродинамическими характеристиками. Эти модели изучают отображение от ввода (параметры формы, условия потока) к выходу (подъем, перетаскивание). После обучения они могут предсказать производительность для невидимых конструкций почти мгновенно. Качество прогнозов в значительной степени зависит от охвата и плотности данных обучения. На практике инженеры часто используют активное обучение для итеративного выбора наиболее информативных конструкций для добавления к набору обучения, максимизируя точность модели с минимальными вычислительными затратами.

Усиление обучения

Обучение с подкреплением (RL) рассматривает оптимизацию формы как проблему последовательного решения. Агент предпринимает действия (приводя постепенные изменения в форму) и получает вознаграждения на основе полученных аэродинамических характеристик. Путем проб и ошибок агент узнает политику, которая максимизирует кумулятивное вознаграждение - приводит к оптимальным формам. RL особенно полезен, когда пространство проектирования большое и непрерывное, поскольку он может эффективно исследовать, не требуя первоначального набора данных. Последние работы объединили глубокие RL с CFD-решателями для оптимизации последовательностей развертывания закрылков или геометрии крыльев.