基於機器學習的多點優化流體注入參數以提高噴嘴性能

Kernkonzepte

本文提出了一種基於機器學習的方法,通過快速預測噴嘴表面流場並計算梯度,實現了多點優化流體注入參數以提高噴嘴整體性能。

Zusammenfassung

本文提出了一種基於機器學習的方法,用於優化單一擴展斜坡噴嘴(SERN)在多個工作條件下的流體注入參數,以提高噴嘴的整體性能。

首先,建立了一個包含300個不同工作條件和36種注入條件的數據庫,並使用卷積U型網絡模型(pUNet)來預測噴嘴表面的壓力和溫度分佈。該模型採用基於先驗的預測策略,可以快速準確地預測注入後的流場。

然後,利用模型的反向傳播算法快速計算優化目標(平均推力係數)對注入參數的梯度。採用多起點優化策略,在7個工作條件下優化了注入位置、角度、壓力比和溫度比等10個參數。結果顯示,優化後平均推力係數提高了1.14%,且計算成本遠低於傳統基於CFD和adjoint的方法。

該方法證明了機器學習技術在航空推進系統設計中的潛力,可以大幅提高多點優化的效率。

Statistiken

優化後平均推力係數較無注入情況提高1.14%。
優化過程中平均推力係數較初始點提高0.57%。
20次優化結果的平均提高為1.104%。

Zitate

無

Wichtige Erkenntnisse aus

Machine-learning-based multipoint optimization of fluidic injection parameters for improving nozzle performance

by Yunjia Yang,... um arxiv.org 09-20-2024

https://arxiv.org/pdf/2409.12707.pdf

Tiefere Fragen

如何進一步提高該方法在更複雜流場中的適用性和泛化能力?

為了進一步提高該方法在更複雜流場中的適用性和泛化能力，可以考慮以下幾個方向：首先，擴展訓練數據集的多樣性，涵蓋更多的流場條件和噴嘴幾何形狀，以便模型能夠學習到更廣泛的流動特徵。其次，採用更先進的深度學習架構，例如結合卷積神經網絡（CNN）和遞歸神經網絡（RNN）的混合模型，這樣可以更好地捕捉流場中的時空變化。此外，進行模型的集成學習，將多個不同結構的模型進行組合，能夠提高預測的穩定性和準確性。最後，通過引入物理約束和先驗知識，增強模型的物理可解釋性，這樣可以在面對複雜流場時，保持模型的可靠性和泛化能力。

除了推力係數,是否還可以優化其他性能指標,如推力角度或噪聲等?

除了推力係數，該方法還可以優化其他性能指標，例如推力角度和噪聲等。推力角度的優化可以通過調整流體注入的角度和位置來實現，這將影響噴嘴的推力方向和飛行器的操控性。噪聲的優化則可以通過改變流體注入的強度和模式來降低噪聲生成，這對於滿足環保要求和提升飛行器的隱身性能至關重要。為了實現這些性能指標的優化，可以在優化過程中將這些指標納入目標函數，並利用機器學習模型快速評估不同設計參數對這些指標的影響。

該方法是否可以應用於其他類型的噴嘴或推進系統的設計優化?

該方法具有良好的通用性，可以應用於其他類型的噴嘴或推進系統的設計優化。例如，對於可變幾何噴嘴或多流道噴嘴，該方法可以通過調整不同的流體注入參數來優化其性能。此外，該方法也可以應用於火箭推進系統、噴氣發動機等其他推進系統的設計中，通過機器學習模型快速預測流場特性，並進行多點優化，以提高整體推進效率和性能。因此，這一方法的靈活性和高效性使其在航空航天領域的設計優化中具有廣泛的應用潛力。