Artificial Neural Network augmented hyper-reduced order model for transient flow optimization problems

doi:10.1016/j.cma.2026.119090

Artificial Neural Network augmented hyper-reduced order model for transient flow optimization problems

2026-05-01

0

PRE

AI

DOI：10.1016/j.cma.2026.119090

原文链接

原文求助

摘要

En 中文

本文介绍了一种基于人工神经网络（ANN）增强、变分多尺度（VMS）稳定的高阶降阶模型（HROM），用于时变流体流动形状优化的应用。该方法在作者基于VMS的降阶模型（ROM）基础上，引入离散经验插值方法（DEIM）高阶降阶技术，以进一步提升计算效率。采用全离散层非线性ANN校正项，以补偿与ROM投影和高阶降阶相关的误差，从而提高稳定性以及满足非定常流动所需的精度。我们在此获得的HROM方法被应用于基于序列最小二乘二次规划（SLSQP）的梯度驱动气动外形优化问题中。选择大攻角NACA翼型以获得如分离和涡脱落等瞬态效应。ANN校正项基于全阶模拟快照进行训练，并在优化循环中直接使用，无需额外成本。数值结果表明，带有ANN校正的HROM在瞬态预测和优化方面成功捕捉了全阶模型的精度，并将计算成本降低了超过95%。结果表明，开发的ANN增强型HROM作为瞬态计算流体动力学（CFD）优化问题的准确且高效的对偶方法具有有效性。

Keyword:

Reduced Order Modeling (ROM)

Variational Multiscale Method (VMS)

Discrete Empirical Interpolation Method (DEIM)

Artificial Neural Network (ANN)

Transient flow optimization

Artificial Neural Network augmented hyper-reduced order model for transient flow optimization problems

摘要

期刊

机构

引用论文