用于瞬态流动优化问题的人工神经网络增强型超简化阶模型

《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》：Artificial Neural Network augmented hyper-reduced order model for transient flow optimization problems

　　

Zulkeefal Dar|Joan Baiges|Ramon Codina

摘要

本文提出了一种基于人工神经网络（ANN）增强、变分多尺度（VMS）稳定化技术的高阶简化模型（HROM），用于时间依赖性流体流动形状优化问题。该方法在作者原有的基于VMS的简化模型基础上，引入了离散经验插值法（DEIM）进行高阶简化，从而进一步提高计算效率。通过加入完全离散的非线性ANN修正项，可以修正简化模型投影和高阶简化过程中产生的误差，从而增强模型的稳定性，并提高对非稳态流动的预测精度。所提出的HROM方法被应用于基于序列最小二乘二次规划（SLSQP）的空气动力形状优化问题中。研究选用了大攻角下的NACA机翼作为研究对象，以捕捉分离流和涡脱落等瞬态现象。ANN修正项通过对全阶仿真结果的训练获得，并在优化过程中直接使用，无需额外成本。数值结果表明，结合ANN修正的HROM模型在瞬态预测和优化方面均能够达到与全阶模型相当的精度，并将计算成本降低了95%以上。这些结果验证了所开发的ANN增强型HROM模型作为基于瞬态CFD的优化问题的高效、精确工具的有效性。