科研之友
微信
新浪微博
Facebook
分享链接
摘要
对于气动性能，钝体断面的气动外形非常重要，采用传统风洞试验及CFD模拟计算得到钝体断面气动性能需消耗大量时间，大大影响钝体断面气动外形的气动性能评估效率。通过卷积神经网络深度学习技术实现对气动性能的快速预测，深度学习模型训练完成后，输入形状信息和与形状相关的流场信息，即可输出不同几何形状下的阻力系数，进而得到钝体断面的气动性能。为寻找性能最优的深度学习模型，通过综合判定误差和参数量大小对卷积神经网络结构的深度和宽度进行优化。对深度学习模型输出阻力系数与CFD计算结果进行对比发现，误差符合预期要求，并且相较于传统方法,基于深度学习网络的预测所需时间达到数量级的提升，未来可作为钝体断面气动外形优化的关键方法。
-
单位土木工程学院; 重庆大学
