基于POD和BPNN的流场快速计算方法

作者：贾续毅; 龚春林^*; 李春娜

来源：西北工业大学学报, 2021, 39(06): 1212-1221.

• 本征正交分解
• 反向传播神经网络
• CFD
• 聚类
• 分区

采用高精度CFD仿真进行大量流场分析存在计算成本高、耗时长的问题。提出了一种基于本征正交分解(proper orthogonal decomposition, POD)和反向传播神经网络(back propagation based neural network, BPNN)的流场快速计算方法。在几何参数化设计空间中抽样,然后利用POD将高维流场数据映射到低维基模态空间,并用BPNN建立几何参数到基模态系数的多层神经网络模型,实现流场快速预测。在POD和BPNN模型构建中分别引入分区和聚类取样策略,以提高建模效率,降低模型训练耗时。变几何翼型的定常流场案例结果表明:在亚声速情况下,训练所得的模型可以保证流场中等压线、翼面压力系数等信息的预测精度,其升阻力系数平均预测误差在0.4%之内;在跨声速情况下,训练所得的模型升阻力系数平均预测误差在1.4%之内,并且激波位置也可以得到较准确的预测。

• 单位
  航天学院; 西北工业大学