科研之友
微信
新浪微博
Facebook
分享链接
摘要
为提高对灯笼型扰流柱通道端壁面的换热分布预测能力，提出并比较了几种深度学习代理模型方法的预测性能。本文应用数据驱动的思想，建立了多项式响应面模型（RSM）、径向基函数模型（RBF）、径向基神经网络模型（RBFNN）、Kriging模型和总体平均近似模型（Ensemble）等5种传统代理模型以及5种基于生成对抗网络的深度学习代理模型，包括有残差网络的pix2pix模型、pix2pixHD模型、CycleGAN模型、StarGAN模型以及单一无残差网络的pix2pix模型，以扰流柱截面参数为设计变量，通过拉丁超立方抽样分别得到了样本数为50、25、12、6和3的训练集，并根据扰流柱尾迹高换热区分布特点将训练样本数为50的数据集分为宽样本数据集和窄样本数据集，在此基础上详细比较了不同代理模型对端壁面换热性能的预测精度、计算成本和泛化能力。结果表明：有残差网络的pix2pix模型相比于无残差网络的pix2pix模型，预测精度得到有效提高，在样本数为50的情况下，面平均值预测误差从0.68%降低到0.32%，平均相对误差从6.89%降低到6.41%，而且当训练样本数减少时，有残差网络的模型预测能力更加突出；传统代理模型的时间成本可忽略不计，但深度学习模型的单卡训练时间较长，且增加残差网络后的模型计算成本更高；当训练样本数为50时，传统代理模型和深度学习模型之间预测精度差异不大；当训练样本数逐渐减少时，深度学习代理模型展示出更高的预测精度和泛化能力；Kriging模型虽然泛化能力强，但是预测结果趋同；RSM模型、RBF模型和Ensemble模型泛化能力最差，训练样本数较少时，预测结果严重失真。可见在换热性能预测方面，深度学习模型在预测精度与泛化能力上均有显著优势，尤其适合于小样本问题，对提高灯笼型扰流柱截面设计效率具有参考价值。
- 单位
