基于深度学习的非定常周期性流动预测方法

发布时间：2021-10-20 00:06

　　为了克服传统CFD计算需要耗费大量的计算时间与成本的缺陷,提出了一种基于深度学习的非定常周期性流场的预测框架,可以实时生成给定状态的高可信度的流场结果。将条件生成对抗网络与卷积神经网络相结合,改进条件生成对抗网络对生成样本的约束方法,建立了基于深度学习策略采用改进的回归生成对抗网络模型,并与常规的条件生成对抗网络模型的预测结果进行对比。研究表明,基于改进的回归生成对抗网络的深度学习策略能准确预测出指定时刻的流场变量,且总时长比CFD数值模拟减少至少1个量级。 

【文章来源】：空气动力学学报. 2019,37(03)北大核心CSCD

【文章页数】：8 页

【部分图文】：

图１回归生成对抗网络训练流程图Ｆｉｇ．１ＴｒａｉｎｉｎｇｐｒｏｃｅｓｓｏｆｒｅｇｒｅｓｓｉｏｎＧＡＮ

误差作为损失函数，作为生成器损失函数的一部分，用于约束生成器的优化方向。训练过程中不断重复上述三部分工作，最终可以得到有良好预测能力的生成器。测试过程仅需进行第一部分，直接输入对应的时间标签ｙ，即可得到需要预测时刻的流场。１．３样本集采用ＣＦＤ求解器对Ｒｅ＝１×１０４、Ｍａ＝０．２［１３］、圆柱直径Ｄ＝１ｍ的圆柱绕流进行了数值模拟。通过ＲＡＮＳ方程求解，求解器为ＮＡＳＡＣＦＬ３Ｄ［１４］。计算网格如图２所示，网格尺寸为１２８×１２８（周向×法向），附面层第一层高度设置为５×１０－４，ｙ＋＝０．３，远场高度为５０倍特征长度（圆柱直径）。图２计算与训练网格Ｆｉｇ．２Ｓｋｅｔｃｈｏｆｃｏｍｐｕｔａｔｉｏｎ／ｔｒａｉｎｉｎｇｇｒｉｄ圆柱绕流是以时间Ｔ为一周期的周期性流动，本文以Ｔ／４０作为一个时间间隔，去除ｔ＝０、ｔ＝Ｔ时刻的流场数据，以剩余的３９个时刻的流场变量ｕ、ｖ、ｐ作为训练数据。标签ｙ是该样本在Ｔ中对应的时间ｔ。因为神经网络参数通过梯度下降方法［１５］进行优化，为了令参数优化更加准确、加速梯度收敛，训练前对数据进行标准化处理。设共有ｍ个训练样本，以流场变量ｕ为例：ｕ－＝ｕ－μｕσｕ（２）μｕ＝１ｍ∑ｍｉ＝１ｕｉ（３）σｕ＝１ｍ∑ｍｉ＝１（ｕｉ－μｕ）槡２（４）ｖ、ｐ与ｕ的标准化方法相同。即训练样本集由３８个尺寸为

始ｋｔ＝０，权重?＝０．９７；γ＝０．５为平衡超参数，其值越小表示生成样本的多样性越低；ｔ为训练步数。ｋｔ决定Ｄ（Ｇ（ｚ｜ｙ））所占权重，防止Ｄ或Ｇ相较另一方能力太强，出现过拟合或模型坍塌。１．５网络结构参数使用的回归生成对抗网络结构设计参数为：生成器以隐变量（随机噪声ｚ＝１２８×１）与真实标签（ｙ＝１×１）叠加作为输入，即输入数据尺寸为１２９×１。使用的生成器结构为多层反向卷积神经网络，其框架如图３所示。训练过程中，生成器生成尺寸为１２８×１２８×３（周向点数×法向点数×流场变量个数）的生成样本Ｇ（ｚ｜ｙ）。生成器模型结构参数见表１。（ａ）生成器／解码器（ｂ）编码器图３自动编码器网络结构Ｆｉｇ．３Ｄｅｓｉｇｎｅｄａｕｔｏｅｎｃｏｄｅｒｎｅｔｗｏｒｋａｒｃｈｉｔｅｃｔｕｒｅ表１生成器／解码器网络结构与参数设置Ｔａｂｌｅ１Ｇｅｎｅｒａｔｏｒ／ｄｅｃｏｄｅｒｎｅｔｗｏｒｋｕｓｅｄｉｎｅｘｐｅｒｉｍｅｎｔｓ层类型核激活函数隐变量输入（ｈ＝１２８＋１）－－隐含层１卷积３×３×１２８ＥＬＵ隐含层２卷积３×３×１２８ＥＬＵ上采样１－２×２－…（隐含层１～上采样１重复３次）………隐含层９卷积３×３×１２８ＥＬＵ隐含层１０卷积３×３×１２８ＥＬＵ隐含层１１卷积３×３×３ＥＬＵ判别器结构为自动编码器，分为编码器和解码器两部分，两部分的结构均可视为卷积神经网络，如图３所示。判别器的输入为生成器预测的流场

【参考文献】：
期刊论文
[1]基于特征正交分解的跨声速流场重构和翼型反设计方法研究[J]. 刘浩,徐敏,叶茂.  空气动力学学报. 2012(04)
[2]模拟退火算法和POD降阶模态计算在翼型反设计中的应用[J]. 赵松原,黄明恪.  空气动力学学报. 2007(02)



本文编号：3445859