Oct, 2023

多级轴流压缩机气动性能顶部间隙变化的深度学习预测

PDF
TL;DR应用深度学习方法进行物理模拟（如计算流体动力学）在工业上的实际应用受到限制。本文证明了一种基于深度学习框架的实时预测多级轴流压缩机在燃气涡轮中轴向间隙变化对空气动力性能的影响的方法。所提出的 C（NN）FD 架构可扩展到工业应用，并实时达到与 CFD 基准相当的准确性。部署的模型容易集成到燃气涡轮的制造和构建过程中，从而提供了评估性能影响并可能减少对昂贵物理测试的需求的机会。
deep learning methodsphysical simulationscfdaerodynamic performanceaxial compressors
发现论文，激发创造
  • C (NN) FD -- 用于涡轮机械 CFD 分析的深度学习框架

    本文介绍了一种基于深度学习的新型框架（C（NN）FD），实时预测燃气轮机中轴向压缩机制造和构建变化对整体性能的影响。通过预测流场并计算相应的整体性能，该方法具有普适性，而仅过滤 CFD 解决方案的相关部分使得该方法可扩展到工业应用。

    Jun, 2023

  • CFDNet: 一种基于深度学习的流体模拟加速器

    本文介绍了将 CFD 和深度学习结合的 CFDNet 框架，用于加速雷诺平均纳维 - 斯托克斯模拟的收敛，加速效果达到 1.9-7.4 倍。

    May, 2020

  • DeepCFD：利用深度卷积神经网络高效稳态层流近似计算

    提出 DeepCFD 模型，基于卷积神经网络，有效地逼近非均匀稳态层流的问题，从真实数据中学习 Navier-Stokes 方程的完整解，可在低误差率的情况下加速高达三个数量级。

    Apr, 2020

  • 受限空气动力学数据集的快速神经网络预测

    本研究提出了一种模型无关的计算流体动力学仿真方法，采用聚类神经网络结构，并与基于模型的方法作对比，结果表明该方法与之几乎同样精确，但速度快一个数量级，易于应用，在仿真简化和加速方面具有潜在的应用价值。

    Jan, 2019

  • 基于物理启发神经网络的压气机叶栅流动研究

    该研究首次利用物理信息神经网络（PINNs）方法预测压缩器叶片的流场，通过在正向和反向问题中融入 Navier-Stokes 方程，在正向问题中，相比深度神经网络（DNNs），PINNs 能更精确地预测流场，且在无部分边界条件的反向问题中，PINNs 比传统的 CFD 方法表现出明显优势，能仅依靠部分速度向量和壁压力信息成功重构压缩器叶片的流场，证明了 PINNs 作为一种有潜力的替代方法能提供给涡轮机械设计师更高的准确性。

    Jul, 2023

  • 机器学习加速计算流体力学

    采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。

    Jan, 2021

  • 可微湍流 II

    利用可微流体模拟器和深度学习模型，开发了一种将深度学习模型整合到通用有限元数值方案中以求解 Naiver-Stokes 方程的框架，进而实现对子网尺度闭包的学习，该方法在流过倒角阶梯的多个实现中展示了与传统的大涡模拟相当的准确性，并且在相当于 10 倍速度提升的更细网格上进行测试。

    Jul, 2023

  • 机器学习在计算流体力学中的应用

    机器学习在科学计算中已经成为核心技术，能够用于加速直接数值模拟，提高湍流封闭建模，并发展优化的降阶模型，在计算流体力学等领域有着广泛的应用和潜在影响，但也需要考虑一些潜在限制和问题。

    Oct, 2021

  • 基于点云的深度学习框架在不规则几何形态流动场预测中的应用

    本文提出了一种新颖的基于 PointNet 架构的深度学习框架，用于在几何形状无规则的区域中进行流场预测，该方法实现了在边界平滑性和小尺度几何变化检测方面的优化，并且能够比传统 CFD 解算器快数百倍且保持较高的准确度。

    Oct, 2020

  • 基于数据驱动的深度学习预测圆柱绕流不稳定流场

    本文探讨了使用四种不同的深度学习网络（考虑和不考虑守恒定律的卷积神经网络，考虑和不考虑守恒定律的生成对抗网络）来训练和预测圆柱上的非稳态流场，通过使用实际的质量守恒和动量守恒物理损失函数以及非监督式的对抗性训练来提高预测准确度，并得到了与数值模拟结果良好一致性的预测结果。

    Apr, 2018