【人工智能专栏|陈刚】一种基于流场特征的气动力深度学习降阶模型

风流知音【人工智能专栏|陈刚】一种基于流场特征的气动力深度学习降阶模型 CFDAI(2018)1001

一种基于流场特征的气动力深度学习降阶模型

陈刚 王怡星 张扬

西安交通大学航天航空学院

机械结构强度与振动国家重点实验室

作者简介

陈刚，男，湖北荆州人，博士，教授。1997年至2006年在西北工业大学飞行器设计专业分别获得学士、硕士和博士学位。现为西安交通大学航天航空学院院长助理，陕西省先进飞行器服役环境与控制重点实验室副主任，西安交大-曼彻斯特大学流固耦合与仿生技术联合实验室中方主任，中国空气动力学学会空气弹性专业委员会委员。主要从事流固耦合振动噪声与控制、智能飞行器与仿生流动、弹性飞行器动力学与控制等方面的研究。获得陕西省科学技术二等奖1项，陕西省高校科技奖一等奖2项，发表期刊论文60余篇，申请发明专利3项。

摘要：

传统应用 CFD（Computational Fluid Dynamics，计算流体力学）的流场计算在绕流物体、计算工况改变等情况下，均需要重新进行复杂而费时的 CFD 计算，这不仅消耗了大量的计算资源，同时也造成了效率低下。实际上，流场作为一个系统，是有其自身特性的，每次重新进行 CFD 计算的做法忽略了这一点。深度学习具有自主挖掘并学习系统特性、快速预测的能力。因此，使用深度学习方法进行流场预测是一种不仅可行，且具有广泛应用前景的方法[1-5]。

目前已发展的相关深度学习方法仅能对圆等少数几种简单几何形体在特定的工况条件下，所产生的绕流流场特征作出预测[6-8]。其网络输入无法明确地表示出所研究绕流物体的几何信息，且有很多冗余数据；也不能将绕流物体的特征与工况同时考虑。因此，传统的深度学习流场预测方法有很大的局限性，适用范围很有限，对于超出训练数据范围的预测准确性很低。因此，发展一种具有广泛适用范围，能同时针对不同绕流物体及不同工况进行流场预测的、具有较高鲁棒性的通用深度学习流场预测方法，是必要、并具有广泛需求的。

为了克服现有深度学习方法在流场预测技术中所存在的问题，本研究提出一种绕流物体和工况改变时流场特征量的快速预测方法，该方法实现了深度学习对复杂几何物体进行流场特征量预测的通用化要求，并且可以同时考虑不同工况的影响，使深度学习在流场预测方面的广泛应用成为了可能。

深度学习模型可以自主学习系统特征，并对复杂非线性问题有很好的模拟及预测能力。通过深度学习进行流场建模，不仅可以利用学习到的流场系统内在变化规律、对流场作出模拟及预测，还可以显著降低预测时间及计算资源。传统神经网络方法基本仅针对特定模型，输入量仅为一些独立参数，没能体现出系统的本质特征，因此其精度与泛化能力均有很大程度限制。本文提出一种基于流场特征的深度学习模型，并将其应用于流场系统的降阶中。本文提出的方法采用深度卷积神经网络提取流场特征信息，并提出一种复合深度神经网络架构来解决不同类型输入变量的综合问题。为了确定神经元的权值，在学习过程中使用了一种改进的反向误差传递算法。将各网格点上经过特殊计算的几何特征值作为输入，由全阶 CFD 方程计算所得的气动力作为目标数据，应用改进的反向误差传递算法对深度神经网络进行训练，使得该网络具有气动力预测能力。本文提出的深度神经网络预测结果很好地吻合了全阶计算结果。为了确定神经网络中诸如神经元个数、网络层数、卷积核大小等超参数，我们还进行了灵敏度分析。在误差范围内，与全阶模型相比，本文提出的深度学习模型显著降低了计算量。最后，我们尝试从理论方面探讨该方法的预测原理，并得到了一些有价值的结论。本文提出的基于流场特征的深度学习方法对于飞行器的设计与控制具有重要与广泛的意义，并可被应用于流场降阶等场合中。

参考文献:

[1] T. Duriez, S.L. Brunton, B.R. Noack, Machine Learning Control - Taming Nonlinear Dynamics and Turbulence, (2017) 116.

[2] K.J. Nathan, Deep learning in fluid dynamics, Journal of Fluid Mechanics, 814 (2017) 1-4.

[3] S. Lee, J. Ha, M. Zokhirova, H. Moon, J. Lee, Background Information of Deep Learning for Structural Engineering, Archives of Computational Methods in Engineering, (2017) 1-9.

[4] E. Yeung, S. Kundu, N. Hodas, Learning Deep Neural Network Representations for Koopman Operators of Nonlinear Dynamical Systems, (2017).

[5] J. Ling, K. Andrew, T. Jeremy, Reynolds averaged turbulence modelling using deep neural networks with embedded invariance, Journal of Fluid Mechanics, 807 (2016) 155-166.

[6] S. Lee, D. You, Prediction of laminar vortex shedding over a cylinder using deep learning, (2017).

[7] Z. Wang, D. Xiao, F. Fang, R. Govindan, C.C. Pain, Y. Guo, Model identification of reduced order fluid dynamicssystems using deep learning, International Journal for Numerical Methods in Fluids, 86 (2018).

[8] T.P. Miyanawala, R.K. Jaiman, An Efficient Deep Learning Technique for the Navier-Stokes Equations:Application to Unsteady Wake Flow Dynamics, (2017).