A deep learning methodology for the flow field prediction around airfoils

Bu çalışmada kanat etrafındaki akış alanını öngören kodlayıcı-çözücü evrişimsel sinir ağı tabanlı bir derin öğrenme metodu amaçlanmaktadır. Sinir ağı modelinin eğitimi ve değerlendirmesi bilinen bir grup kanat etrafında, geniş bir hücum açısı aralığında 2-boyutlu hesaplamalı akışkanlar dinamiği (HAD) çözümlerinden elde edilmiş akış alanları ile gerçekleştirilmiştir. Reynolds ortalamalı Navier-Stokes tabanlı HAD benzetimleri, ses geçişi rejiminde seçilen bir Mach sayısında yüksek kalitede blok-yapılı çözüm ağları üzerinden yapılmıştır. Benzetimlerin sonuçları eğitim için veri seti olarak kullanılmıştır. Kanat şekillerinin sinir ağı modeli tarafından daha iyi öğrenilebilmesi için mesafe haritaları elde edilerek algoritmaya verilmiştir. Mesafe haritasında verilerin konumuna göre basınç katsayısı, Mach sayısı gibi akış parametreleri de algoritmaya sağlanmıştır. Modelin öngörü kabiliyeti hem nicel hem nitel olarak detaylı incelenmiştir. Ses geçişi ve hücum açısı değişiminin akış özelliklerine etkileri, şok dalgaları ve akış ayrılması başarılı bir şekilde yakalanmıştır. Ayrıca, öngörülen akış alanı verisi üzerinden aerodinamik katsayılar hesaplanmıştır. Bulgular, sunulan modelin HAD benzetimlerinin hesaplama sürelerinin çok altında, dikkate değer şekilde iyi akış alanı öngörebildiğini göstermektedir. Öngörülen akış alanı, aerodinamik katsayıların hesaplanmasına izin vermekte, hava taşıtı tasarımcıları için hızlı ve doğru bir kanat seçim aracına imkan sağlamaktadır.