Machine learning based flow simulator: Flow around an airfoil with vortex generators

Muharrem Hilmi Aksoy

doi:10.1016/j.euromechflu.2025.204417

Machine learning based flow simulator: Flow around an airfoil with vortex generators

2025-11-19

0

PRE

AI

Mahdi Tabatabaei Malazi

A

Abdülkerim Okbaz *

DOI：10.1016/j.euromechflu.2025.204417

原文链接

原文求助

摘要

En 中文

控制翼型周围的流场结构对于增加升力、减少阻力至关重要。推迟流动分离可改善气动性能，特别是在飞机和风力涡轮机中。近年来，人工智能和机器学习方法已成为流体力学中替代传统方法的快速且经济有效的方案。本研究旨在使用涡流发生器（VGs）控制NACA（National Advisory Committee for Aeronautics）4412翼型周围的流动，并开发一个基于机器学习的流场模拟器，该模拟器根据迎角、VG偏航角和空间坐标预测速度分量。实验测量在一个开口表面、闭式循环水槽中，在雷诺数Re = 1.0 × 10⁴的条件下，使用二维粒子图像测速（PIV）系统进行。从20个实验工况中，在α = 0°–20°和β = 15°–30°范围内，每个速度分量共收集了60,500个数据点。使用TensorFlow实现的Multilayer Perceptron（MLP）模型被训练用于预测集合平均⟨u⟩和⟨v⟩速度分量。我们分析了隐藏神经元数量和小批量大小的影响，在41个神经元和批量大小为4时达到最高精度，⟨u⟩和⟨v⟩的R²值分别为0.978和0.950。误差分布对称且近似高斯分布。实验结果表明，VGs在低α时延缓了早期流动分离，但在高α时效果减弱。MLP模型成功重建了主要的流场特征，为基于CFD的方法提供了可靠的数据驱动替代方案。未来的工作将利用时间分辨PIV数据，将模型扩展到不同的翼型、VG设计、雷诺数和非定常流动。

Machine learning based flow simulator: Flow around an airfoil with vortex generators

摘要

期刊

机构

引用论文