Shape optimization for fluid flow with parametric level set method and deep neural networks

doi:10.1016/j.compfluid.2025.106626

Shape optimization for fluid flow with parametric level set method and deep neural networks

2025-06-01

0

PRE

AI

DOI：10.1016/j.compfluid.2025.106626

原文链接

原文求助

摘要

En 中文

本研究提出了一种新型参数化水平集（PLS）方法的应用，通过直接修改流场动力学来开发形状优化过程。该方法采用多项式扰动对传统PLS进行线性叠加作为形状优化参数。这使得在不改变拓扑结构的情况下实现平滑的形状变化，并将设计变量限制为仅用于任意翼型变形所需的多项式数量。在优化过程中，深度卷积神经网络与均匀水平集的点云相结合，为流场动力学提供代理模型。此处采用的形状优化方法旨在通过减轻NACA66翼型在高攻角下吸力面的流动分离来延迟失速。形状优化通过改变最大翼型厚度点前的翼型厚度和弯度，减轻了尾缘流动反向的前移。在设计工况攻角11.5度下，优化设计相比NACA66的流动反向均值降低了两个数量级以上。在14度攻角下，NACA66出现完全流动分离，而优化设计顶面流动的反向均值幅度比NACA66低近三个数量级，表明其流动分离特性显著延迟。基于代理模型的优化计算时间仅为全阶流场求解器的四个数量级以下。结果表明，所提出的PLS和深度神经网络方法在快速数据驱动（非侵入式）流体流动形状优化方面具有潜力。

Keyword:

Parametric level set method

Deep neural networks

Shape optimization

Shape optimization for fluid flow with parametric level set method and deep neural networks

摘要

期刊

机构