基于卷积神经网络的三维流场重构研究

摘要：

三维流场的快速分析是工程应用领域最关心的内容.为了实现对三维非定常流场的降阶重构,提出了一种基于卷积神经网络和残差连接的U型架构降阶模型,通过对当前的流场快照进行多层次的特征提取,并通过解码器将多尺度特征进行融合,将其解码为未来时刻的流场数据.基于有限体积法求解Navier-Stokes方程得到的圆球绕流全阶流场快照作为真实的物理数据,评估降阶模型对三维典型流动的学习和推理能力.研究结果表明,增量预测结果与真实流场基本吻合,最大相对误差在 0.2%以内,速度比数值模拟提升两个量级.所提出的降阶模型,实现了三维非定常流场快速重构的预期目标.

关键词：卷积神经网络、特征提取、流场重构、降阶模型

所属期刊栏目：53

分类号：V211;O242(基础理论及试验)

资助基金：国家自然科学基金;航空科学基金;科技创新新一代人工智能项目

在线出版日期：2023-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：11-14,19