Allmaras

在CFD中应用机器学习来研究热特性对机翼空气动力特征的影响

计算流体动力（CFD）和机器学习方法用于研究NASA型NACA 0012的热传递。已经开发了几种不同的模型，以检查层流，晶状体流量和Allmaras流对NACA 0012机翼在不同的空气动力学条件下的影响。在本文中，针对多孔模式和非孔模式的不同机翼模式讨论了高温下的温度条件。特定参数包括11.36 x 10-10 m 2的渗透率，孔隙率为0.64，惯性系数为0.37，温度范围为200 k和400K。该研究表明，温度升高可以显着增加提升到拖拉。另外，采用多孔状态和温度差异进一步有助于增强电力到拖拉系数。在调整温度时，神经网络还可以成功预测结果，尤其是在有更多情况的情况下。尽管如此，本研究使用Smoter模型评估了系统的准确性。已显示测试情况最佳性能验证的MSE，MAE和R分别为0.000314、0.0008和0.998960，在k = 3。然而，研究表明，时期值大于2000，增加了计算时间和成本而不提高准确性。这表明SMOTER模型可用于准确对测试案例进行分类；但是，对于最佳性能，不需要更高的时期值。