机构名称：
¥ 1.0
本文提出了一种空气动力学优化方法，该方法利用机器学习技术来增强稳态雷诺（Reynolds Parynolds Parynolds Parynolds Parynolds Parynolds Parynolds Perrynolds perrands vere的Navier-Stokes（RANS）模拟）模拟的湍流模型，这些模拟容易出现，这些模拟很容易出现，以使其不准确，以使复杂流动的复杂流动涉及分离等现象。我们采用了场的反转和机器学习（FIML）方法，通过解决一些高实现数据的逆问题（对于不同的形状和/或流条件），从而渗透模型差异，并使用机器学习（例如神经网络）来概括差异Ellds for Unseseenseenseenseenseenseenseenseenseenseenseenseenseenseenneclesnementity。作为概念证明，我们使用直接数值模拟（DNS）数据进行一组参数化的周期性山丘，以增强使用FIML的两种方程式𝑘-𝜔-𝜔SST模型，然后将其合并到CFD求解器中以进行空气动力学形状优化，而在成本优化的情况下，将其纳入最小化。为了说明对湍流模型选择的固有优化敏感性，我们还使用Wilcox𝑘 -𝜔模型进行比较。一旦为不同的湍流模型实现了最佳形状，我们就建议使用混合Rans-LES改进延迟的分离涡流模拟（IDDES）来验证流量预测，这反过来又对可用DNS数据进行了验证。结果强调了在存在流量分离的情况下优化对湍流模型的敏感性，而FIML启动的𝑘-𝜔SST模型能够实现更高的拖动降低（20。8-25。3％）与IDDES预测（在速度和皮肤摩擦方面）达成公平同意。基线SST模型可实现4。5-6。5％，速度和皮肤摩擦与IDDES结果相比差。
使用机器学习的空气动力学优化...
主要关键词
相关文件推荐
