Rollen av maskininlärning i aerodynamisk optimering

Höga lyftanordningar, inklusive slats, flaps och ledande förlängningar, är avgörande för att generera den extra hiss som krävs under start och landning. Deras geometri direkt påverkar stall egenskaper, drag och buller. Traditionellt optimerar dessa former beroende på iterativa vindtunneltester och beräkningsvätskedynamik (CFD) simuleringar - både tidskrävande och dyrt. Maskininlärning (ML) erbjuder nu ett kraftfullt alternativ genom att extrahera mönster från stora datasätt, vilket möjliggör snabbare och mer innovativ designutforskning.

ML-modeller kan lära sig komplexa, icke-linjära relationer mellan formparametrar och aerodynamiska prestandamätningar som lyftkoefficient, dra koefficient och ögonblickskoefficient. Denna förmåga gör det möjligt för ingenjörer att snabbt skära tusentals kandidatdesigner, identifiera lovande regioner i designutrymmet och till och med generera nya konfigurationer som skulle vara svåra att tänka manuellt. Resultatet är en dramatisk acceleration av designcykeln, ofta minska veckor av CFD körs till timmar.

Hur maskininlärning passar in i designprocessen

I en typisk ML-driven aerodynamisk optimeringsarbete utvärderas en uppsättning initiala mönster med hjälp av CFD eller experimentella data. Denna data tränar en surrogatmodell - en matematisk approximation av den sanna fysiken. surrogatmodellen används sedan för att förutsäga prestandan hos nya mönster på en bråkdel av beräkningskostnaden. Optimeringsalgoritmer, såsom Bayesiansk optimering eller genetiska algoritmer, fråga surrogatet för att hitta de mest lovande formerna.

Ett annat tillvägagångssätt är omvänt design med ML I stället för att optimera från en baslinje, en ML-modell lär sig att direkt kartlägga önskade aerodynamiska egenskaper (t.ex. målliftfördelning) till de nödvändiga formparametrarna. Detta vänder den traditionella arbetsflödet och kan producera okonventionella men effektiva mönster. Till exempel kan neurala nätverk utbildade på en databas med luftfolier generera en slat eller flap geometri som uppnår en föreskriven tryckfördelning.

Typer av maskininlärningstekniker som används

Det breda utbudet av ML-tekniker gör det möjligt för ingenjörer att skräddarsy optimeringsmetoden till det specifika problemet. Nedan är de vanligaste kategorierna som tillämpas på hög lyftenhetsform optimering.

Övervakad inlärning

Övervakad inlärningsmodeller, såsom neurala nätverk, stödvektormaskiner eller slumpmässiga skogar, är utbildade på märkta datamängder där varje design är kopplad till sin aerodynamiska prestanda. Dessa modeller lär sig kartläggningen från ingång (formparametrar, flödesförhållanden) till utgången (lyft, dra). När de är utbildade kan de förutsäga prestanda för osynliga mönster nästan omedelbart. Kvaliteten på förutsägelserna beror starkt på täckningen och densiteten i träningsdata.

Förstärkningsinlärning

Förstärkningsinlärning (RL) behandlar formoptimering som ett sekventiellt beslutsproblem. En agent tar åtgärder (gör inkrementella förändringar i en form) och får belöningar baserat på den resulterande aerodynamiska prestanda. Genom försök och fel lär sig agenten en politik som maximerar kumulativ belöning - leder till optimala former. RL är särskilt användbart när designutrymmet är stort och kontinuerligt, eftersom det kan utforska effektivt utan att kräva en första datamängd. Nyligen arbete har kombinerat djup RL med CFD-suleringslösare för att optimera flap delopment.