Vai trò của máy học trong việc làm báp têm động lực học

Thiết bị nâng cao, gồm các cánh, cánh và phần mở rộng tiên tiến, là thiết yếu để tạo ra các thang máy thêm cần thiết trong quá trình cất cánh và hạ cánh. Hình học trực tiếp ảnh hưởng đến đặc tính ngăn chặn, kéo và nhiễu. Theo truyền thống, tối ưu hóa các hình dạng này dựa trên các cuộc thử nghiệm đường hầm gió lặp và các động lực điện toán (CD) mô phỏng động lực học (CD)-cả hai thời gian và tốn kém. Máy học (ML) hiện đang cung cấp một sự thay thế mạnh mẽ bằng cách trích xuất các mẫu dữ liệu từ nhiều dữ liệu, cho phép và sáng tạo hơn nữa.

Mô hình ML có thể học các mối quan hệ phức tạp, phi tuyến tính giữa các tham số hình dạng và hiệu suất khí động học như hệ số nâng, kéo hệ số và hệ số thời điểm. Khả năng này cho phép các kỹ sư nhanh chóng màn hình hàng ngàn thiết kế ứng cử viên, xác định vùng hứa hẹn của không gian thiết kế, và thậm chí tạo ra các cấu hình mới lạ khó để nhận ra. Kết quả là một gia tốc đáng kể của chu kỳ thiết kế, thường giảm tuần CFD chạy đến giờ.

Làm thế nào việc học hỏi máy phù hợp với tiến trình thiết kế

Trong một luồng năng lượng tối ưu hóa sinh học điển hình, một tập hợp các thiết kế ban đầu được đánh giá bằng dữ liệu CFD hay thử nghiệm. Dữ liệu này huấn luyện mô hình thay thế một mô hình toán học đúng. Mô hình thay thế được dùng để dự đoán hiệu suất của các thiết kế mới với chi phí tính toán. Các thuật toán, như Bayesimiization hoặc thuật toán di truyền, truy vấn người máy để tìm các hình dạng hứa hẹn nhất. Những hình dạng này sau này được xác nhận với mô phỏng độ chính xác cao, và cấu trúc được cập nhật. Vòng lặp này được biết đến như [Fro] dựa trên tối ưu hóa [FT], tối ưu hóa [FT], có hiệu quả hơn.

Một cách tiếp cận khác là [FLT: 0] thiết kế đảo ngược [FLT: 1] bằng cách sử dụng ML. Thay vì tối ưu hóa từ một đường cơ bản, mô hình ML học trực tiếp bản đồ các tính chất khí động lực (v. d., di chuyển mục tiêu đến tham số hình dạng cần thiết. Điều này đảo ngược các dữ liệu truyền thống và có thể tạo ra các thiết kế không thể phân tách, nhưng hiệu quả. Ví dụ, mạng thần kinh được đào tạo trên cơ sở dữ liệu không khí có thể tạo một khe hoặc khung hình học để tạo một đường cong có thể tạo ra một đường cong hoặc hình học để tạo ra một đường phân phối áp suất áp suất.

Các loại kỹ thuật học máy được dùng

Phần lớn các kỹ thuật ML cho phép các kỹ sư điều chỉnh cách tiếp cận tối ưu cho vấn đề cụ thể.

Học siêu giám sát

Những mô hình này học các bản đồ từ dữ liệu nhập (các thông số dòng chảy) để xuất (v. d. Một khi đã được huấn luyện, chúng có thể dự đoán hiệu suất cho các thiết kế không nhìn thấy được gần như ngay lập tức. Chất lượng của các dự đoán phụ thuộc rất nhiều vào độ bảo vệ và mật độ tập luyện. Trong thực tế, các kỹ sư thường sử dụng tính năng in, để chọn đa số các thiết kế có tính năng để tăng cường độ chính xác tối thiểu, độ tối thiểu của tính toán.

Học thêm lực

Tăng cường việc học (RL) xử lý hình tối ưu hóa hình dạng như là một vấn đề quyết định nhỏ. Một tác nhân có hành động (làm thay đổi hình dạng) và nhận phần thưởng dựa trên hiệu quả của tính năng khí động học. Qua thử và lỗi, tác nhân học một chính sách tối ưu hóa phần thưởng - dẫn đến các hình tối ưu. RL đặc biệt hữu ích khi không gian thiết kế là lớn và liên tục, vì nó có thể khám phá hiệu mà không cần thiết một tập dữ liệu ban đầu. Công việc gần đây đã kết hợp phần lớn với CFDrs giải quyết để tăng cường chuỗi kích hoạt hay định vị trí địa lý.