CN116306206A - 一种基于深度神经网络的翼型跨音速抖振流场快速预测方法 - Google Patents
一种基于深度神经网络的翼型跨音速抖振流场快速预测方法 Download PDFInfo
- Publication number
- CN116306206A CN116306206A CN202211381140.9A CN202211381140A CN116306206A CN 116306206 A CN116306206 A CN 116306206A CN 202211381140 A CN202211381140 A CN 202211381140A CN 116306206 A CN116306206 A CN 116306206A
- Authority
- CN
- China
- Prior art keywords
- flow field
- neural network
- airfoil
- network model
- unsteady
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 19
- 238000013136 deep learning model Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 230000035939 shock Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明提出一种基于深度神经网络的翼型跨音速抖振流场快速预测方法，包括生成非定常流场样本集；构造用于非定常流场快速预测的神经网络模型；对构造好的神经网络模型进行训练；将训练好的深度神经网络用于非定常流场的快速预测。本发明采用基于计算网格的流场信息作为神经网络模型的输入，预测未来时刻的流场信息，相比于基于图片或均匀网格的输入，在同样数据量的标准下具有更高的分辨率，从而模型具备更高的预测精度。本发明根据关心的流场区域，使用简化的插值网格，将流场参数插值到该网格上，用于非定常流场的预测，可以在保证非定常流场预测精度的同时，尽可能减少数据点数和时间耗费，提高效率。
Description
技术领域
本发明涉及深度学习领域和计算流体力学领域，具体是一种基于深度神经网络的翼型跨音速抖振流场快速预测方法。
背景技术
在跨音速流动条件下，激波/边界层分离的相互作用可能会引起整个流场的不稳定运动，这种现象被称为跨音速抖振。在翼型设计中，跨音速抖振是非常关键的问题，因为抖振的发生限制了翼型的性能上限。抖振现象始于激波附面层相互作用导致的后缘流动分离，流场特点表现为激波位置和强度的变化、波后流动分离和后缘脱落涡的出现与消失。当飞机在跨音速飞行时，若进入抖振始发边界，跨音速抖振引起的脉动压力载荷不仅会影响飞机的巡航性能和飞行品质，严重时有可能造成飞机结构疲劳引发飞行事故。因此，有必要开发考虑抖振问题的翼型优化设计方法，避免或延缓抖振现象的发生，从而实现翼型综合性能的提升。
现在主流的翼型设计手段为基于计算流体力学(Computational FluidDynamics,CFD)的翼型优化设计，其主要思想是通过CFD计算和优化算法，对初始翼型不断进行调整，最终获得目标性能最优的翼型。然而跨音速抖振流场包含如分离涡与激波等具有强非线性的流动结构，若在优化过程中直接对其进行数值模拟，则会带来大量计算时间和成本的消耗，同时目前的智能优化算法需要大量调用CFD过程，从而也降低了优化效率。
因此研究者们提出了各种基于CFD仿真数据的气动力降阶模型(Reduced OrderModels，ROM)。ROM是指采用线性与非线性模型来表达复杂气动力***中输入与输出间的映射关系，这些方法作为流体力学***高效计算的代理模型，已经在航空航天和机械工程中得到了广泛的应用，典型代表有本征正交分解(ProperOthogonal Decomposition,POD)、动模态分解(Dynamic Mode Decompositon,DMD)，Kriging模型，支持向量机，人工神经网络，径向基函数等。与数值模拟相比，降阶模型方法极大地减少了复杂***求解的复杂度，提升了建模与求解效率，同时保持了合理的精度。
但传统降阶模型方法也存在一些显著的不足，大多数降阶模型都是基于线性方法，因此难以捕捉非线性特性。同时，这些方法大多局限于低维性能的预测，如气动力系数和压力分布等，难以描述高保真的完整流场。此外这些方法对模型参数敏感，不易扩展到高维设计变量。与上述方法相比，深度神经网络(Deep Netural Network,DNN)能够轻松处理高维设计变量，对非线性问题、多尺度问题，包含时序信息的问题有强大的处理能力，有望弥补传统降阶模型所固有的不足，非常适用于非线性动力学***建模，构造降阶模型预测翼型的跨音速抖振流场以降低计算负担。
发明内容
针对不同的流动状态和流动问题，在构造基于深度学习的预测模型时，需要关注的问题也不尽相同。而不同的神经网络由于其构造思路的不同，也适用于解决不同类型的问题。其中，卷积神经网络非常适用于图像和空间数据的建模，长短期记忆等循环神经网络适用于对时序数据进行建模。而发生跨音速抖振的翼型流场在时间和空间上都具有很强的非线性特征，单独的卷积神经网络和循环神经网络都具有一定程度上的局限性。
为此，本发明综合两种神经网络的性能优势，构造一种新型的混合神经网络模型用于预测翼型非定常流场，该模型同时具有良好的时间特征提取能力和空间特征提取能力。
本发明提出的一种基于深度神经网络的翼型跨音速抖振流场快速预测方法，能够在已知连续有限个等时间间隔的流场信息的条件下，快速得到未来时刻的流场信息，包括以下步骤：
步骤1：生成非定常样本集；具体包括以下步骤：
步骤1.1：选定非定常样本集的基准翼型，采用椭圆型偏微分方程生成翼型计算网格，通过坐标变换，将网格从物理空间映射到平面内为均匀矩形网格的计算空间，采用脱体涡模拟(Detached Eddy Simulation，DES)方法求解该基准翼型的非定常流场，输出其固定时间间隔的有限个时刻的流场数据(包括压力、密度和速度分量)；
步骤1.2：根据预测问题所关心的流动区域，重新生成一个插值网格，将流场信息插值到该网格上作为用于训练和测试的样本；
步骤1.3：对样本数据集做归一化处理，采用线性归一化方法，使样本数据的区间线性变换至[0，1]。
步骤2：构造用于非定常流场快速预测的神经网络模型；
构造的用于非定常流场快速预测的神经网络模型为混合神经网络模型，其组成模块包括Convlstm模块、卷积模块和反卷积模块；Convlstm模块包括一个Convlstm层，卷积模块依次包含一个卷积层、一个BN层和一个ReLU层，反卷积模块依次包含一个反卷积层、一个BN层和一个ReLU层。
神经网络模型共采用四次下采样与四次上采样，通过调整神经网络参数使得上采样(扩张路径)和下采样(收缩路径)对应层的特征图具有相同的形状，在相同维度的特征图之间添加跳级连接(skip connection)，数据融合采用加操作。
神经网络模型的输入数据为一个四维矩阵，该矩阵的含义为：序列数×通道数×高度×宽度，其输出数据为一个三维矩阵，该矩阵的含义为:通道数×高度×宽度，序列数对应多时刻流场的数量，通道数对应多变量流场的变量数，高度和宽度对应二维流场的尺寸。
步骤3：对构造好的神经网络模型进行训练；以流场参数的均方根损失(MeanSquared Error Loss,MSE)作为损失函数，采用Adam优化器和自适应调整学习率算法，初始学习率设置为1×10-3，进行模型的训练，优化目标为损失函数最小，直至训练样本数据集的损失函数不再下降。
步骤4：将训练好的神经网络模型用于非定常流场的快速预测：将已知连续有限个等时间间隔的流场信息输入至训练好的神经网络，即可得到未来时刻的流场信息。
有益效果
本发明与现有技术相比，具有如下优点：
1.本发明采用基于计算网格的流场信息包括压强、密度、x向速度分量、z向速度分量作为神经网络模型的输入，预测未来时刻的流场信息，相比于基于图片或均匀网格的输入，在同样数据量的标准下具有更高的分辨率，从而模型具备更高的预测精度。
2.本发明根据关心的流场区域，使用简化的插值网格，将流场参数插值到该网格上，用于非定常流场的预测，可以在保证非定常流场预测精度的同时，尽可能减少数据点数和时间耗费，提高效率。
3.本发明将Convlstm与U-net结合，构造一种混合神经网络模型，在Convlstm强大的时空信息处理能力的基础上，U-Net进一步增强了整个网络对时空特征的提取能力，从而可以提高非定常流场的预测精度。
4.本发明旨在针对翼型的跨音速抖振流场构造和训练神经网络，具有高度的针对性，从而能对翼型的跨音速抖振流场进行快速准确预测。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明的用于非定常流场快速预测的深度神经网络的结构示意图
图2为翼型绕流计算网格，(a)为网格全貌，(b)为局部放大图。
图3为用于神经网络训练的插值网格，(a)为网格全貌，(b)为局部放大图。
图4为对发生抖振现象的翼型绕流流动的某一时刻的流场的预测效果。(a)为CFD计算翼型绕流流场的压强，(b)为深度学习模型预测翼型绕流流场的压强，(c)为深度学习模型预测翼型绕流流场压强的误差，(d)为CFD计算翼型绕流流场的密度，(e)为深度学习模型预测翼型绕流流场的密度，(f)为深度学习模型预测翼型绕流流场密度的误差，(g)为CFD计算的翼型绕流流场x向速度分量，(h)为深度学习模型预测的翼型绕流流场x向速度分量，(i)为深度学习模型预测翼型绕流流场x向速度分量的误差，(j)为CFD计算的翼型绕流流场z向速度分量，(k)为深度学习模型预测的翼型绕流流场z向速度分量，(l)为深度学习模型预测翼型绕流流场z向速度分量的误差。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本实施例所述的基于深度神经网络的翼型跨音速抖振流场快速预测方法，包括生成非定常流场样本集；构造用于非定常流场快速预测的神经网络模型；对构造好的神经网络模型进行训练；将训练好的深度神经网络用于非定常流场的快速预测。具体步骤如下：
步骤1：生成非定常流场样本集：
1)采用脱体涡数值模拟方法(Detached Eddy Simulation,DES)模拟了弦长为0.23m的超临界翼型OAT15A的跨声速扰流流场。计算状态如下：Re＝13.04×106，Ma＝0.73，α＝3.5°，T∞＝487.98R，设置时间步长为Δt＝5.189×10-6s。计算网格采用CH型结构化网格，翼型周向布点657个，在翼型前后缘和上表面中部加密，附面层第一层高度设置为4.6×10-7m，计算网格全局及局部分布示意图如图2所示。物面边界条件为绝热、无滑移壁面，湍流模型采用SST湍流模型。每10个时间步保存一个完整流场，提取2000个周期规律时刻下的全流场。
2)根据流场结构和模型训练需求重新生成一个插值网格，将流场信息插值到该网格上作为用于训练和测试的样本。如图3所示为用于神经网络训练的插值网格全局及局部分布示意图，两个网格块的尺寸分别为245×89和61×221。
3)对样本数据集做归一化处理，采用线性归一化方法，使样本数据的区间线性变换至[0,1]。
步骤2：构造用于非定常流场快速预测的神经网络模型：
1)构造一种混合神经网络模型，其组成模块包括Convlstm模块、卷积模块和反卷积模块。模型共采用四次下采样与四次上采样。通过调整神经网络参数使得上采样(扩张路径)和下采样(收缩路径)对应层的特征图也具有相同的形状，在相同维度的特征图之间添加跳级连接(skip connection)，数据融合采用加操作。
模型的卷积模块依次包含一个卷积层、一个BN层和一个ReLU层，反卷积模块依次包含一个反卷积层、一个BN层和一个ReLU层，一个Convlstm模块包括一个Convlstm层。
2)神经网络的输入数据为一个四维矩阵，该矩阵的含义为:序列数×通道数×高度宽度，其输出数据为一个三维矩阵，该矩阵的含义为:通道数×高度×宽度。其中序列数对应多时刻流场的数量，通道数对应多变量流场的变量数，高度和宽度对应二维流场的尺寸。
步骤3：对构造好的神经网络模型进行训练；
1)将样本集划分为训练样本和测试样本，训练样本和测试样本的比例为4:1。
2)以流场参数(压力、密度、x向速度分量、z向速度分量)的均方根损失(MeanSquared Error Loss,MSE)作为损失函数，采用Adam优化器和自适应调整学习率算法，初始学习率设置为1×10-3，进行模型的训练，优化目标为损失函数最小，直至训练样本数据集的损失函数不再下降。
步骤4：将训练好的深度神经网络用于非定常流场的快速预测。
将已知连续有限个等时间间隔的流场信息输入至训练好的神经网络，即可得到未来时刻的流场信息。在训练集上绝大多数样本的平均绝对误差(Mean Absolute Error,MAE)均小于0.002，测试集上的绝大多数样本的平均绝对误差(MAE)均小于0.006，具有较高的预测精度，说明我们构造的U-Convlstm具有良好的时空特征提取能力。其中跨音速抖振流场某一时刻的预测效果如图4所示。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (4)
1.一种基于深度神经网络的翼型跨音速抖振流场快速预测方法，其特征在于：包括以下步骤：
步骤1：生成非定常样本集：
步骤1.1：选定非定常样本集的基准翼型，并生成翼型计算网格，通过坐标变换，将网格从物理空间映射到平面内为均匀矩形网格的计算空间，求解该基准翼型的非定常流场，输出其固定时间间隔的有限个时刻的流场数据；
步骤1.2：根据预测问题所关心的流动区域，重新生成一个插值网格，将流场信息插值到该网格上作为用于训练和测试的样本；
步骤1.3：对样本数据集做归一化处理，采用线性归一化方法，使样本数据的区间线性变换至[0，1]；
步骤2：构造用于非定常流场快速预测的神经网络模型：
采用混合神经网络模型构造用于非定常流场快速预测的神经网络模型；所述混合神经网络模型包括Convlstm模块、卷积模块和反卷积模块；Convlstm模块包括一个Convlstm层，卷积模块依次包含一个卷积层、一个BN层和一个ReLU层，反卷积模块依次包含一个反卷积层、一个BN层和一个ReLU层；
所述混合神经网络模型共采用四次下采样与四次上采样，通过调整神经网络参数使得上采样和下采样对应层的特征图具有相同的形状，在相同维度的特征图之间添加跳级连接，数据融合采用加操作；
所述混合神经网络模型的输入数据为一个四维矩阵，该矩阵的含义为：序列数×通道数×高度×宽度，其输出数据为一个三维矩阵，该矩阵的含义为:通道数×高度×宽度，序列数对应多时刻流场的数量，通道数对应多变量流场的变量数，高度和宽度对应二维流场的尺寸；
步骤3：对构造好的神经网络模型进行训练；
步骤4：将训练好的神经网络模型用于非定常流场的快速预测：将已知连续有限个等时间间隔的流场信息输入至训练好的神经网络模型，即可得到未来时刻的流场信息。
2.根据权利要求1所述一种基于深度神经网络的翼型跨音速抖振流场快速预测方法，其特征在于：步骤1.1中，采用椭圆型偏微分方程生成翼型计算网格，并采用脱体涡模拟方法求解基准翼型的非定常流场。
3.根据权利要求1所述一种基于深度神经网络的翼型跨音速抖振流场快速预测方法，其特征在于：步骤1.1中，输出的流场数据包括压力、密度和速度分量。
4.根据权利要求3所述一种基于深度神经网络的翼型跨音速抖振流场快速预测方法，其特征在于：步骤3中，先将样本数据集划分为训练样本和测试样本，训练样本和测试样本的比例为4:1；以流场参数的均方根损失作为损失函数，采用Adam优化器和自适应调整学习率算法，初始学习率设置为1×10-3，进行模型的训练，优化目标为损失函数最小，直至训练样本数据集的损失函数不再下降，得到训练好的神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211381140.9A CN116306206A (zh) | 2022-11-06 | 2022-11-06 | 一种基于深度神经网络的翼型跨音速抖振流场快速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211381140.9A CN116306206A (zh) | 2022-11-06 | 2022-11-06 | 一种基于深度神经网络的翼型跨音速抖振流场快速预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116306206A true CN116306206A (zh) | 2023-06-23 |
Family
ID=86796551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211381140.9A Pending CN116306206A (zh) | 2022-11-06 | 2022-11-06 | 一种基于深度神经网络的翼型跨音速抖振流场快速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306206A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150951A (zh) * | 2023-08-10 | 2023-12-01 | 中国船舶集团有限公司第七一九研究所 | 一种泵类设备三维流场计算加速方法 |
-
2022
- 2022-11-06 CN CN202211381140.9A patent/CN116306206A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150951A (zh) * | 2023-08-10 | 2023-12-01 | 中国船舶集团有限公司第七一九研究所 | 一种泵类设备三维流场计算加速方法 |
| CN117150951B (zh) * | 2023-08-10 | 2024-03-01 | 中国船舶集团有限公司第七一九研究所 | 一种泵类设备三维流场计算加速方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Umetani et al. | Learning three-dimensional flow for interactive aerodynamic design | |
| Esmaeilzadeh et al. | Meshfreeflownet: A physics-constrained deep continuous space-time super-resolution framework | |
| Kedward et al. | Efficient and exact mesh deformation using multiscale RBF interpolation | |
| Lombardi et al. | Numerical simulation of sailing boats: dynamics, FSI, and shape optimization | |
| CN112016167A (zh) | 基于仿真和优化耦合的飞行器气动外形设计方法及*** | |
| Chen et al. | FlowDNN: a physics-informed deep neural network for fast and accurate flow prediction | |
| Yamazaki et al. | Geometry parameterization and computational mesh deformation by physics-based direct manipulation approaches | |
| CN116306206A (zh) | 一种基于深度神经网络的翼型跨音速抖振流场快速预测方法 | |
| CN114329799B (zh) | 一种飞行器动态特性模拟的时间并行扰动域更新方法 | |
| CN114065662B (zh) | 适用于网格拓扑可变的翼型流场快速预测方法 | |
| CN112380793A (zh) | 基于gpu的湍流燃烧数值模拟并行加速实现方法 | |
| CN115859781A (zh) | 基于注意力和卷积神经网络编解码器的流场预测方法 | |
| Lyu et al. | Multi-fidelity prediction of fluid flow based on transfer learning using Fourier neural operator | |
| Deng et al. | Prediction of transonic flow over supercritical airfoils using geometric-encoding and deep-learning strategies | |
| CN111275250B (zh) | 一种基于各向异性的强流区海表面温度预报方法 | |
| CN110705183A (zh) | 一种带缓冲区的多层网格lbm演化方法 | |
| CN112182909A (zh) | 一种用于工业cae方向的流动求解器建立方法 | |
| CN103218493B (zh) | 一种基于多重网格的快速等几何分析数值模拟方法 | |
| Scholten et al. | An uncoupled method for fluid-structure interaction analysis with application to aerostructural design | |
| Shahane et al. | Convolutional neural network for flow over single and tandem elliptic cylinders of arbitrary aspect ratio and angle of attack | |
| Romano et al. | Convolutional-neural-network-based auto-encoder for synthetic upscaling of computational fluid dynamics simulations | |
| Mackle et al. | Efficient and Flexible Methodology for the Aerodynamic Shape Optimization of Hypersonic Vehicle Concepts in a High-Dimensional Design Space | |
| Díaz et al. | Deep Learning combined with singular value decomposition to reconstruct databases in fluid dynamics | |
| CN108564658A (zh) | 一种基于逆向工程的逐渐三维实体模型构建***及方法 | |
| Rendall et al. | Multi-dimensional aircraft surface pressure interpolation using radial basis functions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |