Aerodinamik Optimizasyonda Makine Öğrenmesinin Rolü

Yüksek asansör cihazları, slats, fs, ve önde gelen uzantılar dahil olmak üzere, kaldırım ve iniş sırasında gerekli ek asansör üretmek için hayati önem taşıyor. Geometrileri doğrudan durgun özellikleri, sürüklenme ve gürültüyü etkiler. Geleneksel olarak, bu şekilleri optimize etmek, iteratif rüzgar tünel testleri ve hesaplama akışkan dinamikleri (CFD) simülasyonları - her zaman alıcı ve pahalı. Makine öğrenimi (ML) şimdi geniş veri kümelerinden gelen desenleri çıkarmak için güçlü bir alternatif sunuyor.

ML modelleri karmaşık, doğrusal olmayan ilişkileri, form parametreleri ve aerodinamik performans ölçümleri arasındaki ilişkileri öğrenebiliyor, asansör katsayısı, izodisyon ve an katsayı gibi. Bu yetenek, mühendislere tasarım alanının binlerce aday tasarımını hızlı bir şekilde ekranlamasına izin verir ve hatta manuel olarak anlaşılması zor olacak yeni konfigürasyonlar üretebilir.

Makine Öğrenme Tasarım Sürecine Nasıl Fits

Tipik bir ML-güdümlü aerodinamik optimizasyon akışında, ilk tasarımların bir seti CFD veya deneysel verileri kullanılarak değerlendirilir.Bu veriler gerçek fiziğin matematiksel yaklaşımını bulmak için bir araya gelir.Bu tür modeller daha sonra yüksek sadakat simülasyonları ile doğrulanır ve gerçek devretme modeli güncellenir.Bu döngü, Bayesian optimizasyon veya genetik algoritmaları gibi, Bayesian optimizasyon veya genetik algoritmaların bir kısmını dasteklenmektedir.

Başka bir yaklaşım ise, ML kullanarak, belirli bir form parametrelerine (örneğin, belirli bir basınç dağılımı elde eden bir modele doğrudan haritada eğitim verilen bir ML modeliyle (örneğin, hedef asansör dağıtım) elde edilen form parametrelerine göre değişir. Bu, geleneksel iş akışı ve benzeri olmayan tasarımları tersine çevirir. Örneğin, bir havafoils veritabanı üzerinde eğitilmiş sinir ağları, reçeteli bir basınç dağılımı elde eden bir ferodinamik özellikleri oluşturabilir.

Makine Öğrenme Teknikleri Türleri Kullanılır

ML tekniklerinin geniş serisi, mühendislerin belirli probleme optimizasyon yaklaşımını terteye etmesine izin verir. Aşağıda yüksek asansör cihazı optimizasyonuna uygulanan en yaygın kategorilerdir.

Süpervised Learning

Bu modeller, sinir ağları, vektör makineleri veya rastgele ormanlar gibi, her tasarımın aerodinamik performansla eşleştirildiği etiketlenmiş veri setleri üzerinde eğitilmiştir.Bu modeller, girişten haritalamayı öğrenir (shape parametreleri, akış koşulları) çıkışlara (lift, sürüklenme, sürüklenme) çoğu zaman eğitilmiştir.

Dondurma Öğrenme Öğrenme Öğrenme

Dondurucu öğrenme (RL), sequential karar problem olarak şekil optimizasyonuna sahiptir. Bir ajan eylemleri alır (enformasyona yükselten aerodinamik performansa dayanarak en iyi şekilde değiştirebilir ve en iyi şekilde kanat geometrilerine yol açan bir politika öğrenir.