logo móvil
Contáctanos

Aprendizaje de Variedades para la Optimización del Diseño de Formas Aerodinámicas

Autores: Zheng, Boda; Moni, Abhijith; Yao, Weigang; Xu, Min

Idioma: Inglés

Editor: MDPI

Año: 2025

Descargar PDF

Acceso abierto

Artículo científico
2025

Aprendizaje de Variedades para la Optimización del Diseño de Formas Aerodinámicas


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Aeroespacial

Palabras clave

Dinámica de fluidos computacional
Diseño de formas aerodinámicas
Modelo de orden reducido
Deformación de malla
Optimización
Coeficiente de arrastre

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 27

Citaciones: Sin citaciones


Descripción
El significativo costo computacional incurrido debido a la naturaleza iterativa de la Dinámica de Fluidos Computacional (CFD) en los marcos tradicionales de diseño de formas aerodinámicas representa un gran desafío, especialmente en el contexto de los requisitos de diseño integrados modernos y las condiciones de diseño cada vez más complejas. Para abordar las demandas del diseño moderno, desarrollamos un marco eficiente de diseño de formas aerodinámicas basado en nuestro trabajo previo que involucraba el modelo de orden reducido (ROM) de alta fidelidad con incrustación lineal local más un algoritmo genético de optimización restringida (LLE+COGA). Se empleó un autoencoder de variedad activa (AM) para abordar la maldición de la dimensionalidad que surge de un espacio de diseño excesivamente grande. Se utilizó el método de deformación de malla rápida para una deformación de malla de alta precisión y rápida, reduciendo significativamente el costo computacional asociado con la transferencia de deformaciones geométricas a la malla fina de CFD. Este trabajo abordó el problema de optimización transónica del modelo de investigación común (uCRM) de ala tridimensional (con una relación de aspecto de 9), que involucraba 241 variables de diseño. Los resultados demuestran que el diseño optimizado logró una reducción significativa en el coeficiente de arrastre del 38.9% y del 54.5% en comparación con la línea base en el Caso 1 y el Caso 2, respectivamente. Además, el tiempo total de optimización se redujo en un 62.6% y un 57.7% en los dos casos. Además, los resultados de la optimización se alinearon bien con los obtenidos del marco basado en FOM, validando aún más la efectividad y aplicabilidad práctica del enfoque propuesto.

Otros recursos que podrían interesarte

Temas Virtualpro