.png){kind=icon}
返回
Generalizable Multifidelity Aerodynamic Wing Shape Design Optimization
.png){kind=icon}
PRE
AI
DOI：10.2514/1.C038587.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管传统代理模型方法在特定气动外形优化（ASO）问题中已成功建立设计空间与气动性能之间的关系，但其在更广泛的优化任务中仍缺乏泛化能力。为克服这一局限，我们提出了一种基于梯度、数据驱动的多 fidelity、高维 ASO 框架。通过将深度学习与多 fidelity 方法与基于梯度的优化相结合，我们的方法能够高效扩展至复杂设计任务，同时使用单一模型解决多个 ASO 问题，从而提升适应性和效率。我们采用紧凑模态参数化来捕捉机翼形状的全局表示，同时降低设计维度。为实快且高效的设计方案，多 fidelity 代理模型通过残差学习进行微调以保持精度并控制模型复杂度，随后被集成到基于梯度的优化中。本文通过将该多 fidelity 代理模型应用于一系列单点和多点 ASO 问题，展示了其通用性，所得气动优化结果与基于伴随的 CFD 求解器的结果高度一致，同时在初始 CFD 驱动的训练数据准备完成后，显著减少了优化阶段的时钟时间。通过此方法，我们为解决通用高保真 ASO 任务提供了一条新的数据驱动路径。
Keyword:
Aerodynamic Shape Optimization
Machine Learning
Multifidelity Design Optimization
期刊
IF:
2.1
论文数:
234
被引数:
8.8K
机构
引用论文
Intelligent data-driven aerodynamic analysis and optimization of morphing configurations智能数据驱动的空气动力学分析与变形构型优化
OAAI
OAAI分享收藏Aerodynamic Shape Optimization Investigations of the Common Research Model Wing Benchmark通用研究模型机翼基准的气动外形优化研究.png)
AIAA JournalOAAI
AIAA JournalIF0
OAAI分享收藏Efficient aerodynamic shape optimization using variable-fidelity surrogate models and multilevel computational grids使用可变保真度代理模型和多级计算网格进行有效的空气动力学形状优化OAAI
OAAI分享收藏
查看更多内容