改进深度学习算法的对称翼型流场再现

摘要

为克服计算流体力学(C F D)方法计算成本高及无法重复利用计算结果的缺陷,基于深度学习方法,利用132组二维流场数据建立NACA0018翼型α=2°～8°、Re=0.1×106～1.6×106下压力场、速度场的神经网络定常预测模型.以此为基础,将低速不可压缩流动能量守恒方程作为约束条件,考虑到翼型升阻力与表面压力的相关性及流场静压与动压的关系,提出一种能间接约束翼型压力场与速度场之间关系的激活函数.结果表明,传统激活函数与改进激活函数下的神经网络在压力场预测平均误差均在2.77％ 左右,但传统神经网络在速度场预测中平均误差达到11％,最大达到26.993％,而改进激活函数平均误差只有2.77％.与传统的激活函数相比,改进的激活函数的神经网络因存在内部间接约束,故在翼型速度场的预测中更准确,流场过渡更均匀,并且神经网络方法可以通过保存模型以达到重复利用数值模拟结果目的,相比传统C FD方法数小时的计算,训练完成的神经网络只需要数秒即可得到计算结果,可大大减少计算时间.