為了克服傳統(tǒng)CFD計(jì)算需要耗費(fèi)大量的計(jì)算時(shí)間與成本的缺陷,提出了一種基于深度學(xué)習(xí)的非定常周期性流場(chǎng)的預(yù)測(cè)框架,可以實(shí)時(shí)生成給定狀態(tài)的高可信度的流場(chǎng)結(jié)果。將條件生成對(duì)抗網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,改進(jìn)條件生成對(duì)抗網(wǎng)絡(luò)對(duì)生成樣本的約束方法,建立了基于深度學(xué)習(xí)策略采用改進(jìn)的回歸生成對(duì)抗網(wǎng)絡(luò)模型,并與常規(guī)的條件生成對(duì)抗網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。研究表明,基于改進(jìn)的回歸生成對(duì)抗網(wǎng)絡(luò)的深度學(xué)習(xí)策略能準(zhǔn)確預(yù)測(cè)出指定時(shí)刻的流場(chǎng)變量,且總時(shí)長(zhǎng)比CFD數(shù)值模擬減少至少1個(gè)量級(jí)。 

【文章來源】：空氣動(dòng)力學(xué)學(xué)報(bào). 2019,37(03)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

圖１回歸生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練流程圖Ｆｉｇ．１ＴｒａｉｎｉｎｇｐｒｏｃｅｓｓｏｆｒｅｇｒｅｓｓｉｏｎＧＡＮ

誤差作為損失函數(shù)，作為生成器損失函數(shù)的一部分，用于約束生成器的優(yōu)化方向。訓(xùn)練過程中不斷重復(fù)上述三部分工作，最終可以得到有良好預(yù)測(cè)能力的生成器。測(cè)試過程僅需進(jìn)行第一部分，直接輸入對(duì)應(yīng)的時(shí)間標(biāo)簽ｙ，即可得到需要預(yù)測(cè)時(shí)刻的流場(chǎng)。１．３樣本集采用ＣＦＤ求解器對(duì)Ｒｅ＝１×１０４、Ｍａ＝０．２［１３］、圓柱直徑Ｄ＝１ｍ的圓柱繞流進(jìn)行了數(shù)值模擬。通過ＲＡＮＳ方程求解，求解器為ＮＡＳＡＣＦＬ３Ｄ［１４］。計(jì)算網(wǎng)格如圖２所示，網(wǎng)格尺寸為１２８×１２８（周向×法向），附面層第一層高度設(shè)置為５×１０－４，ｙ＋＝０．３，遠(yuǎn)場(chǎng)高度為５０倍特征長(zhǎng)度（圓柱直徑）。圖２計(jì)算與訓(xùn)練網(wǎng)格Ｆｉｇ．２Ｓｋｅｔｃｈｏｆｃｏｍｐｕｔａｔｉｏｎ／ｔｒａｉｎｉｎｇｇｒｉｄ圓柱繞流是以時(shí)間Ｔ為一周期的周期性流動(dòng)，本文以Ｔ／４０作為一個(gè)時(shí)間間隔，去除ｔ＝０、ｔ＝Ｔ時(shí)刻的流場(chǎng)數(shù)據(jù)，以剩余的３９個(gè)時(shí)刻的流場(chǎng)變量ｕ、ｖ、ｐ作為訓(xùn)練數(shù)據(jù)。標(biāo)簽ｙ是該樣本在Ｔ中對(duì)應(yīng)的時(shí)間ｔ。因?yàn)樯窠?jīng)網(wǎng)絡(luò)參數(shù)通過梯度下降方法［１５］進(jìn)行優(yōu)化，為了令參數(shù)優(yōu)化更加準(zhǔn)確、加速梯度收斂，訓(xùn)練前對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。設(shè)共有ｍ個(gè)訓(xùn)練樣本，以流場(chǎng)變量ｕ為例：ｕ－＝ｕ－μｕσｕ（２）μｕ＝１ｍ∑ｍｉ＝１ｕｉ（３）σｕ＝１ｍ∑ｍｉ＝１（ｕｉ－μｕ）槡２（４）ｖ、ｐ與ｕ的標(biāo)準(zhǔn)化方法相同。即訓(xùn)練樣本集由３８?jìng)�(gè)尺寸為

始ｋｔ＝０，權(quán)重?＝０．９７；γ＝０．５為平衡超參數(shù)，其值越小表示生成樣本的多樣性越低；ｔ為訓(xùn)練步數(shù)。ｋｔ決定Ｄ（Ｇ（ｚ｜ｙ））所占權(quán)重，防止Ｄ或Ｇ相較另一方能力太強(qiáng)，出現(xiàn)過擬合或模型坍塌。１．５網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)使用的回歸生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)參數(shù)為：生成器以隱變量（隨機(jī)噪聲ｚ＝１２８×１）與真實(shí)標(biāo)簽（ｙ＝１×１）疊加作為輸入，即輸入數(shù)據(jù)尺寸為１２９×１。使用的生成器結(jié)構(gòu)為多層反向卷積神經(jīng)網(wǎng)絡(luò)，其框架如圖３所示。訓(xùn)練過程中，生成器生成尺寸為１２８×１２８×３（周向點(diǎn)數(shù)×法向點(diǎn)數(shù)×流場(chǎng)變量個(gè)數(shù)）的生成樣本Ｇ（ｚ｜ｙ）。生成器模型結(jié)構(gòu)參數(shù)見表１。（ａ）生成器／解碼器（ｂ）編碼器圖３自動(dòng)編碼器網(wǎng)絡(luò)結(jié)構(gòu)Ｆｉｇ．３Ｄｅｓｉｇｎｅｄａｕｔｏｅｎｃｏｄｅｒｎｅｔｗｏｒｋａｒｃｈｉｔｅｃｔｕｒｅ表１生成器／解碼器網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)置Ｔａｂｌｅ１Ｇｅｎｅｒａｔｏｒ／ｄｅｃｏｄｅｒｎｅｔｗｏｒｋｕｓｅｄｉｎｅｘｐｅｒｉｍｅｎｔｓ層類型核激活函數(shù)隱變量輸入（ｈ＝１２８＋１）－－隱含層１卷積３×３×１２８ＥＬＵ隱含層２卷積３×３×１２８ＥＬＵ上采樣１－２×２－…（隱含層１～上采樣１重復(fù)３次）………隱含層９卷積３×３×１２８ＥＬＵ隱含層１０卷積３×３×１２８ＥＬＵ隱含層１１卷積３×３×３ＥＬＵ判別器結(jié)構(gòu)為自動(dòng)編碼器，分為編碼器和解碼器兩部分，兩部分的結(jié)構(gòu)均可視為卷積神經(jīng)網(wǎng)絡(luò)，如圖３所示。判別器的輸入為生成器預(yù)測(cè)的流場(chǎng)

【參考文獻(xiàn)】：
期刊論文
[1]基于特征正交分解的跨聲速流場(chǎng)重構(gòu)和翼型反設(shè)計(jì)方法研究[J]. 劉浩,徐敏,葉茂.  空氣動(dòng)力學(xué)學(xué)報(bào). 2012(04)
[2]模擬退火算法和POD降階模態(tài)計(jì)算在翼型反設(shè)計(jì)中的應(yīng)用[J]. 趙松原,黃明恪.  空氣動(dòng)力學(xué)學(xué)報(bào). 2007(02)



本文編號(hào)：3445859