基于深度学习的二维翼型流场重构技术研究
来源:用户上传
作者:曹晓峰 李鸿岩 郭承鹏 王强 马海
摘要：基于深度学习方法的二维翼型流场重构能够克服传统风洞试验和计算流体力学模拟的缺点，在提高计算速度的同时保证计算精度。提出的深度学习方法通过模拟RANS方程对速度、压力和密度分布进行预测，最优模型可以达到平均压力、速度、密度误差为5%。该方法的单个算例计算时间约为1s，计算耗时约为常规求解器的0.66%。同时也验证了数据集大小对解的准确性的影响，随着数据集样本数目增大，解的准确性也逐步提高。为深度学习方法在计算流体力学中提供一个现实的二维流场预测应用场景，探讨了深度神经网络方法与气动领域相关问题的匹配度，后续将进一步通过精细化的几何外形表达与无损失的标签提取方法提高深度神经网络方法计算的可用性。
关键词：深度学习；流场重构；翼型；RANS；U-Net
中图分类号：V211.3文献标识码：ADOI：10.19452/j.issn1007-5453.2022.07.012
翼型设计的最终结果直接决定了飞行器的品质与性能[1]，并直接影响到后续机翼设计工作的开展[2]。因此在实际的工程应用中，寻找一种有效的方法能够快速准确地计算评估翼型的绕流场，辅助翼型优化设计显得十分必要。
传统的翼型流场及气动特性获取方法是通过风洞试验[3-4]对初始翼型进行吹风试验，不断迭代，直到设计的翼型满足流场及气动特性要求为止。整个过程需要耗费巨大的人力与财力。随着计算技术的飞速发展，通过计算流体力学[5]（CFD）技术使翼型流场及气动特性的获取减少了对风洞试验的过多依赖，在一定程度上，降低了获取翼型流场的成本，提高了效率。为了减少比较耗时的CFD计算，有研究者提出使用代理模型来辅助风洞试验，提高效率。使用较多的代理模型有多项式响应面模型[6]、人工神经网络模型[7-8]和Kriging模型[9-10]等。基于代理模型的翼型流场及气动特性计算具有周期短、费用低的优点。因此，将代理模型应用到翼型设计中，辅助风洞试验，可以缩短翼型设计的周期、降低翼型设计的研发费用，该方法已成为目前翼型研究设计的重要发展方向。
近年来，随着人工智能技术的发展，人工智能技术逐渐应用到空气动力学研究领域。深度学习技术利用海量训练数据，使用深层次的网络结构，能够实现自动、高效和准确的多层次特征提取，其可以快速建立从输入数据到目标数据之间的映射关系，具有极强的归纳学习能力。深度学习技术在建模完成后具有计算速度快、计算量小、计算效率高、计算准确的优点。深度学习技术在航空领域逐步拓展。在直升机领域人工智能可以进行减振降噪与辅助控制[11]，在雷达目标检测领域利用深度学习方法已经实现了对雷达背景的分类[12]；在颤振信号处理方向[13-14]与低速不可压缩流状态下的流场重构[15]等领域中已经有了初步的应用探索。
本文建立了一个从数据前处理、深度神经网络计算、计算结果后处理的全流程方法，包括数据集自动生成、批量化生成、计算结果可视化等。基于深度W习技术对二维翼型的高速流场计算结果进行建模，建立从二维翼型、来流速度、迎角速度、密度、压力等流动参数间的直接映射，可快速获得当前翼型的流场分布，其工作流程如图1所示。
1方法
1.1数据集生成
1.1.1翼型几何表达方法
UIUC数据库中包含1200种不同翼型，将UIUC数据库中获取其翼型参数文件进行可视化，如图2（a）所示。本文所使用的翼型几何表达方法借鉴了计算机视觉领域图像分割任务中的掩膜版标签（Mask）形式，将翼型内外以0、1进行区分，1表示翼型轮廓曲线内区域，0表示流体流动计算区域，该方法能够在对翼型几何形状进行描述的同时区分流体流动区域与非流动区域，翼型几何表达的Mask形式如图2（b）所示。
1.1.2数据集生成
神经网络训练的数据来自航空工业气动院自研计算流体力学软件UNSMB的数值仿真计算结果。给定来流速度、迎角和气压，通过CFD计算求解翼型周围可压缩流的速度、压力和密度分布，来流速度范围为150～200m/s，迎角范围为±5°。从UIUC数据库中获取了1200种不同翼型，用于根据上述范围内随机取样自由流与迎角生成输入数据。首先使用PointWise软件自动生成翼型网格，如图3所示。随后根据自由流、迎角与压力使用UNSMB软件计算求解。对于当前问题而言，翼型周围和尾流区域的流场是关键的，利用128×128的网格对CFD的计算结果进行筛选插值，将 UNSMB计算后的数据映射到128×128的矩阵中用于制作卷积神经网络的数据集，共生成5700个数据样例。数据集可视化后示例如图4所示。
数据集按照9∶1的比例划分为训练集与测试集。训练集用于模型训练与验证，在进行模型训练时，随机从训练集中选定固定样本数用于模型验证，其余样本用于模型训练。验证集用来评估模型在训练过程中的损失值收敛性与训练过程中模型的准确性，可以依据训练模型在验证集上的损失值与准确性进行模型参数保存。测试集用于对已保存的模型进行性能评估。
由于神经网络模型的输入限制，远场速度分量、压力与翼型几何外形在输入神经网络前，都需进行尺寸重置，以确保输入神经网络模型的矩阵大小为128×128。同时，用于模型训练的数据标签大小也统一为128×128，便于计算模型预测值与真实标签值之间的均方误差（MSE）。所有输入到深度神经网络的矩阵均统一进行归一化与均值化操作。
nlc202208122101
转载注明来源:https://www.xzbu.com/1/view-15437559.htm
