超临界翼型跨音速流动的几何编码和深度学习策略预测
摘要：高超音速翼型上的可压缩流动的雷诺平均N-S方程在不同的流动条件下需要快速准确地求解，以缩短该翼型的设计周期。虽然深度学习方法可以有效地预测流场，但这些方法在敏感区域的预测准确度以及在工程应用中的泛化能力需要提高。本研究设计了一种修改过的视觉Transformer编码-解码网络，用于预测高超音速翼型上的跨音速流动。此外，设计了四种方法来编码几何输入的各种信息点，并比较了这些方法的性能。统计结果显示，这些方法在整个流场上生成准确的预测，平均绝对误差的量级为1e-4。为了提高在激波区附近的准确度，引入了多级小波变换和梯度分布损失到损失函数中。这使得通常在激波区附近观察到的最大误差减小了50\%。此外，模型通过在大规模数据集上进行迁移学习预训练，并在小数据集上进行微调，以提高其在工程应用中的泛化能力。各种预训练模型生成的结果表明，迁移学习在减少训练时间的同时提供了可比较的准确性。
作者：Zhiwen Deng, Jing Wang, Hongsheng Liu, Hairun Xie, BoKai Li, Miao Zhang, Tingmeng Jia, Yi Zhang, Zidong Wang and Bin Dong
论文ID：2303.03695
分类：Fluid Dynamics
分类简称：physics.flu-dyn
提交时间：2023-08-02