Ang Papel ng Pag - aaral ng Makina sa Aerodynamic Optimization
Ang mga aparatong pang-angat, kabilang ang mga slat, blog, at lead-edge extensions, ay mahalaga para sa paggawa ng karagdagang pag-angat na kinakailangan sa panahon ng paglipad at paglapag. ang kanilang heometriya ay direktang nakakaimpluwensiya sa mga katangian ng puwit, draft, at ingay. nakaugalian, ang pag-eeeebolb ng mga hugis na ito na naka-resulta sa mga terative wind tunnel test at pag-editecasure ng mga malawak na datos, na nakapag-resultiplyporations ang mga adioversion fromantwother time-consumps at magastos. Ang pag-consumplopending pagkatuto ng mga makina (ML) ay nagbibigay ngayon ng malakas na alternatibo sa pamamagitan ng mga disenyo.
Ang mga modelong ML ay maaaring matuto ng masalimuot, hindi-linear na mga ugnayan sa pagitan ng mga hugis parameter at aerodynamic performance metrics tulad ng pag-angat ng coficit, draft cobict, at sandaling cobict. Ang kakayahan na ito ay nagpapahintulot sa mga inhinyero na mabilis na i-scan ang libu-libong mga disenyo, kadalasan ay pagbabawas ng mga linggo ng CFD ay tumatakbo sa oras.
Kung Paano Nakapasok sa Proseso ng Disenyo ang Pagkatuto ng Makina
Sa isang tipikal na ML-driving erodinamic oversity workflow, ang isang set ng mga unang disenyo ay sinusuri gamit ang CFD o eksperimental na datos. Ang datos na ito ay nagsasanay ng isang kahaliling modelong ideoxia matematikal na aproksimasyon ng tunay na pisika. Ang kahaliling modelo ay saka ginagamit upang hulaan ang pagsasagawa ng mga bagong disenyo sa isang pragmento ng mga inaasahang halaga. Optimisasyong algorithms, tulad ng Bayesian o mga algorithm, ⁇ ang ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ [ ⁇ ] ⁇ ] ⁇ ] ⁇ - ⁇ ] ⁇ , [ ⁇ ] ⁇ ] ⁇ - ⁇ ] ⁇ ] ⁇ - ⁇ ,[T ⁇ ] ⁇ ] ⁇ ] ⁇ ] ⁇ - ⁇ ] ⁇ [ ⁇ ] ⁇ ] ⁇ ] ⁇ ] ⁇ [ ⁇ ] ⁇ , [ ⁇ ] ⁇ , at ⁇ ] ⁇ [ ⁇ ] ⁇ ,[T ⁇ ] ⁇ .[T ⁇ ] ⁇ ] ⁇ ] ⁇ , [[T ⁇ ] ⁇ ] ⁇ .
Ang isa pang paraan ay ) gamit ang ML. Sa halip na maging optimista mula sa isang baseline, ang isang ML model ay nag-aaral na direktang mag-mapa ng mga ninanais na katangiang aerodynamic (e.g., target na pag-angat) sa kinakailangang hugis parameter.Ito ay nagrereresulta sa tradisyonal na daloy ng trabaho at maaaring makagawa ng hindi karaniwan ngunit epektibong mga disenyo. Halimbawa, ang mga network ng neural na sinanay sa isang database ng mga airfoil ay maaaring lumikha ng isang slato o praksiyon na na na na na na na na na nakakakuha ng isang-distripwersahetsahet.
Ginamit ang mga Uri ng Pamamaraan sa Pagkatuto sa Makina
Ang malawak na hanay ng mga pamamaraan ng ML ay nagpapahintulot sa mga inhinyero na iangkop ang pinakamahusay na pamamaraan sa espesipikong problema.
Nahigitang Pagkatuto
Ang mga supervised learning models, tulad ng neural networks, support vector machines, o random forests, ay sinasanay sa mga naka-sign dataset kung saan ang bawat disenyo ay naka-agham sa kanyang aerodynamic na pagganap. pinag-aaralan ng mga modelong ito ang pagsasama mula sa input (shape parameter, mga kondisyon ng daloy) hanggang sa output (paglipat, draft) upang ma-hilahin ang mga instruksyon, maaari nilang hulaan ang pagganap para sa mga hindi nakikitang disenyo upang ma-angkop ang halaga ng mga premiksyutrcrekwen.
Pag - aaral ng Reforcement
Ang reinforcement learning (RL) ay tinatrato ang hugis optimisasyon bilang isang sequential na problema sa pagpapasiya. Ang isang ahente ay kumukuha ng mga aksiyon (paggawa ng mga inkretong pagbabago sa isang hugis) at tumatanggap ng mga gantimpala batay sa resultang aerodynamic performance. Sa pamamagitan ng pagsubok at pagkakamali, ang ahente ay nag-aaral ng isang patakaran na nagresulta ng isang mas malaking gantimpala na nagresulta sa pag-a-ebolb ng mga hugis ng CL. Ang RL ay partikular na kapaki-pakinabang kapag ang espasyo ng disenyo ay malaki at patuloy, dahil sa mahusay na pag-ikot nito nang hindi nangangailangan ng panimulang dataset.