基于深度学习的非定常周期性流动预测方法

惠心雨,袁泽龙,白俊强,*,张 扬,陈 刚

(1.西北工业大学 航空学院,西安 710072;2.西安交通大学 机械结构强度与振动国家重点实验室,西安 710049)

0 引 言

在航空领域中进行与气动相关的设计或优化时，经常使用CFD数值模拟。但CFD往往需要消耗大量的计算资源与时间，在日益追求效率的现今时代，许多学者都对如何节省计算成本进行了大量研究。例如借助降阶模型[1]，提取流场主要特征来降低计算时间。但降阶模型对流场参数变化非常敏感[2],缺乏足够的鲁棒性，即使是参数微小的变化，也容易导致降阶模型精度降低。近年来，深度学习技术强大的学习隐藏特征的能力，使其在图像识别[3]等领域得到广泛应用与发展。这也为如何进行流场计算提供了新的思路。

目前，深度学习在流体力学中的相关应用仍不多见。2016年，美国Sandia国家实验室Ling等,通过将伽利略不变量嵌入深度神经网络结构，构建了对雷诺平均(Reynolds Averaged Navier-Stokes，RANS)湍流模型的深度学习，对雷诺应力的进行了预测，并以此为结果对管道流和速度场进行了预测[4]。Miyanawala等人(2017)首次实现了深度卷积网络通过二维柱体尾迹区流场变量对气动载荷的准确预测。他们仅采用3组不同几何外形柱体的全阶模拟数据来训练卷积神经网络(Convolutional Neural Networks，CNN)[5]，就成功预测了其他10组不同几何外形柱体的流体载荷[6]。Lee等人(2017)采用生成对抗网络，来学习全阶N-S方程(Navier-Stokes Equations)的非定常数值解，通过对两个雷诺数下二维圆柱绕流全阶数值解的学习，就能够准确预测出介于两个训练雷诺数之间的二维圆柱尾流融合的非定常过程[7]。……