.png){kind=icon}
返回
On deep-learning-based geometric filtering in aerodynamic shape optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ast.2021.106603.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度学习模型的几何滤波已被证明可以有效地缩小设计空间并提高空气动力学形状优化的效率。然而，由于深度学习模型是由现有翼型训练的，因此有人批评几何过滤会阻止优化寻找创新的空气动力学形状。开展这项工作是为了解决这一问题。通过执行216翼型设计优化和常规翼-体-尾配置和混合翼-体配置的若干机翼设计优化，我们发现使用具有类似于0.7的下限的几何滤波不排除使巡航效率最大化的创新的空气动力学形状。结果增强了在空气动力学形状优化中应用基于深度学习的几何滤波的信心。然后，展示了几何滤波在空气动力学形状优化中的两个应用: 几何有效性约束和全局模态形状推导。前者显示出可以在较大的设计空间中实现空气动力学形状优化，而后者为三维飞机构型的空气动力学建模提供了一种有效的参数化方法。（C）2021爱思唯尔马松SAS。版权所有。
Keyword:
Aerodynamic shape optimization
Deep learning
Geometric filtering
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.8
论文数:
1.0W
被引数:
3.0W
机构
引用论文
.png){kind=icon}
Data-driven constraint approach to ensure low-speed performance in transonic aerodynamic shape optimization跨音速气动外形优化中保证低速性能的数据驱动约束方法
OAAI
OAAI分享收藏
pyOpt: a Python-based object-oriented framework for nonlinear constrained optimizationpyOpt: 一个基于Python的面向对象的非线性约束优化框架
PREAI
分享收藏分享收藏
查看更多内容