Роль машинного навчання в аеродинамічній оптимізації

Високошвидкісні пристрої, включаючи рейки, клапті, і провідні розширення, є важливим для створення додаткового ліфта, необхідний при зльоті і посадці. Їх геометрія безпосередньо впливає на стійкі характеристики, перетягування і шум. Традиційно, оптимізація цих форм, спираючись на ітеративні випробування в тунелі і обчислювальна динаміка рідини (CFD) - коли трудомісткий і дорогий. Машинне навчання (ML) тепер пропонує потужну альтернативу, вилучення візерунки з великих даних, що дозволяє швидше і більш інноваційні розробки дизайну.

Моделі ML можуть дізнатися складні, нелінійні зв’язки між параметрами форми та ееродинамічними показниками продуктивності, такими як коефіцієнт підйому, коефіцієнт перетягування та коефіцієнт імпульсу. Ця можливість дозволяє інженерам швидко екранувати тисячі кандидатів, визначити перспективні області дизайну простору, а також генерувати нові конфігурації, які складніше зачати вручну. Результатом є драматичне прискорення циклу дизайну, часто зменшуючи тижні CFD, що відбуваються на години.

Як машинне навчання підходить для процесу проектування

У типовому ML-driven аеродинамічному процесі оптимізації, набір початкових зразків оцінюється за допомогою CFD або експериментальних даних. Дані просуває сурогатну модель — математичне наближення істинної фізики. Сурогатна модель використовується для прогнозування виконання нових зразків за фракцією обчислювальної вартості. Модернізаційні алгоритми, такі як Bayesian оптимізація або генетичні алгоритми, переважають знайти найбільш перспективні форми. Ці форми пізніше валідовані з моделями високої чіткості, а сурогат оновлюється. Ця петля, відома як

Ще один підхід inverse design] з використанням ML. Замість оптимізації з базової лінії модель ML вивчається безпосередньо на карті бажаних аеродинамічних властивостей (наприклад, розподіл цільового ліфта) до необхідної форми параметрів. Це відредагує традиційний робочий процес і може виробляти нестандартні, але ефективні конструкції. Наприклад, нейромережі, що навчаються на базі повітряних суден, можуть генерувати слинь або флап геометрію, що досягає встановленого розподілу тиску.

Види техніки машинного навчання використовуються

Широкий масив ML-технік дозволяє інженерам адаптувати підхід до оптимізації конкретної задачі. Нижче наведені найбільш поширені категорії, що застосовуються до оптимізації форми підйомника.

Консультативне навчання

Консульовані моделі навчання, такі як нейромережі, підтримують векторні машини, або випадкові ліси, навчаються на позначених датах, де кожен дизайн обпарюється своєю аеродинамічною продуктивністю. Ці моделі вивчають картографію з введення (типи потоку), щоб виводити (підйомник, перетягування). Після навчання вони можуть прогнозувати продуктивність для невидимих конструкцій практично миттєво. Якість прогнозів залежить від покриття і щільності даних навчання. На практиці інженери часто використовують активний навчання для ітеративно вибрати найбільш інформативні конструкції, щоб додати в комплект навчання, максимізуючу точність моделі з мінімальною обчислювальною вартістю.

Зміцнення

Зміцнення (RL) проводить процес оптимізації форми як послідовної проблеми рішення. Засіб бере дії (збільшення внутрішньочасних змін до форми) і отримує винагороду на основі отриманої аеродинамічної продуктивності. Через пробну і похибку агент вивчає політику, яка максимізує примулятивну винагороду, яка вдається до оптимальних форм. RL особливо корисно, коли простір дизайну є великим і безперервним, оскільки він може ефективно вивчитися без необхідності початкового набору даних. Останні роботи поєднують глибокий RL з CFD-рішеннями для оптимізації послідовностей розгортання клаптяви або морфування крило-геометрії.