嘴形

使用高阶神经网络基于机器学习的喷嘴形状优化

摘要。在此贡献中，引入了基于机器学习的平面喷嘴形状优化的方法。与标准深神经网络相比，提出的神经网络是使用高阶神经单元构建的。多项式结构以及各种激活函数被用作控制流动的强烈非线性Navier-Stokes方程的近似值。众所周知的NASA喷嘴的形状被选择为初始几何形状，该几何形状近似于第5阶曲线。di ff en ff几何形状。因此，该任务由具有定义成本函数作为目标的多变量优化组成，这些目标是通过在完全结构化的网格上执行的组合流体动力学（CFD）计算的。获得此优化的目标是获得几何形状，该几何形状符合喷嘴出口的所需条件，例如流场均匀性，指定的流动状态等。最后，比较了DI FF近似值的性能，并通过CFD计算验证了优化的最佳候选者。