快速预测跨声速流场的深度学习方法

作者：奕建苗; 邓枫^*; 覃宁; 刘学强

来源：航空学报, 2022, 43(11): 215-228.

• 计算流体力学
• 深度学习
• U-Net
• 卷积神经网络
• 梯度锐化

计算流体力学(CFD)代码所需的计算成本和内存需求对于工程设计(如空气动力学形状优化)可能变得非常高。基于深度学习的亚声速流场重构已经非常成功。相比亚声速流场，跨声速流场数据梯度更大，几何敏感度高。因此，基于传统的编码器-解码器架构的模型精度有限。建立基于U-Net架构的深度卷积神经网络(CNN)来快速预测跨声速流场。不同几何翼型的高保真度求解流场被用作训练数据。神经网络将表示翼型几何的符号距离函数(SDF)作为输入，将翼型外围压力场和速度场作为输出。与基准编码器-解码器架构相比，新的U-Net架构的误差降低了约24%。梯度锐化增强了流场的可视化效果，同时进一步将误差减小了约10%。最终，深度学习模型在速度场和压力场的误差保持在1.013%和4.625%。

• 单位
  南京航空航天大学