基于深度卷积神经网络的非定常周期流场重构及气动性能预测方法
作者单位：西安交通大学能源与动力工程学院
会议名称：《第十一届全国流体力学学术会议》
会议日期：2020年
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080704[工学-流体机械及工程] 080103[工学-流体力学] 081104[工学-模式识别与智能系统] 08[工学] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0801[工学-力学（可授工学、理学学位）]
关 键 词：流场重构 非定常流场 气动性能预测 卷积神经网络 振荡扑翼
摘 要：本文采用双卷积神经网络建立了非定常周期性流场的重构及识别模型,以数值模拟结果为训练样本,实现仅利用工况参数直接预测指定时刻的流场。圆柱绕流和振荡扑翼能量采集的算例验证结果表明,本方法不仅可以精确重构全周期的非定常流场,而且可以准确预测气动性能参数:升力、阻力以及力矩的最大相对误差在5%以内,与4种传统机器学习方法进行对比,基于深度学习的预测方法具有最高精度;并且全周期的流场分布及气动参数预测速度比传统CFD数值模拟提高1000倍以上。本研究可以为非定常流动过程的实时仿真、优化及控制提供高效的求解器。