机器学习在空气动力优化中的作用

高升力装置,包括滑板、襟翼和前缘延伸,对于产生起飞和着陆所需的额外升力至关重要。它们的几何学直接影响到停滞特征、拖动和噪音。 传统上,优化这些形状依赖于迭代风道测试和计算流体动力学模拟,既需要时间又需要花费。 机器学习现在提供了一个强有力的替代方案,从庞大的数据集中提取图案,从而能够更快和更创新的设计探索。

ML模型可以学习形状参数和升系数,拖动系数,瞬间系数等空气动力学性能度量之间的复杂,非线性关系. 这种能力使工程师能够快速筛选数千个候选设计,识别设计空间中充满希望的区域,甚至生成难以人工构思的新造配置,结果是设计周期急剧加速,常将CFD运行的周数缩短到小时.

机器学习如何适应设计过程

在典型的ML驱动空气动力优化工作流程中,一组初始设计会使用CFD或实验数据来评价. 这些数据会训练一个代位模型——真实物理的数学近似化. 代位模型随后被用来以一小部分计算成本来预测新设计的表现. 优化算法,如巴耶斯优化或遗传算法,查询代位以找到最有希望的形状. 这些形状后来通过高真度模拟验证,并更新代位模型. 这个循环被称为[ 代位优化,高效地与近极速解决方案汇合.

另一种方法是 使用ML的反向设计. ML模型不是从基线优化,而是学习直接将所期望的空气动力特性(如目标升力分布)映射到必要的形状参数上,这扭转了传统的工作流程,可以产生非常规但有效的设计. 例如,在气泡数据库上训练的神经网络可以产生一个实现规定的压力分布的斜拉或襟翼几何.

所用机器学习技术的类型

ML技术的宽度使得工程师可以针对具体问题调整优化方法,以下是应用在高升力设备形状优化上的最常见类别.

监督学习

神经网络、支持矢量机或随机森林等监督学习模型都接受过标记数据集的培训,每个设计都与其空气动力学性能对齐。这些模型从输入(形状参数、流线条件)到输出(升降、拖动)学习绘图。一旦培训,它们几乎可以瞬间预测暗中设计的效果。预测的质量在很大程度上取决于培训数据的覆盖面和密度。在实践中,工程师们经常利用积极的学习来迭代选择最丰富的设计来添加培训集,最大限度地提高模型的准确性,同时降低计算成本。

加强学习

强化学习(RL)将形状优化视为一个顺序决定问题。代理者采取行动(对形状进行增量改变),并根据产生的空气动力性能获得奖励。通过试运行和错误,代理者学习了一种能够最大程度累积奖励的政策,导致最佳形状。当设计空间大且连续时,RL特别有用,因为它可以高效探索,而不需要初始数据集。最近的工作将深RL与CFD解析器结合起来,以优化襟翼部署序列或形态翼几何。