Predicción de la presión en la pared en interacciones de onda de choque/capa límite con redes neuronales convolucionales
Autores: Wang, Hongyu; Fan, Xiaohua; Yang, Yanguang; Wang, Gang; Xie, Feng
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Predicción de la presión en la pared en interacciones de onda de choque/capa límite con redes neuronales convolucionales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Mecánica
Palabras clave
Reino dinámico
Interacciones de onda de choque de geometría variable/capa límite
Parámetros de pared
Imagenología schlieren sin contacto
Marco de aprendizaje profundo
Redes Neuronales Convolucionales (CNN)
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Dentro del dinámico ámbito de las interacciones entre ondas de choque de geometría variable y la capa límite, los parámetros de la pared del campo de flujo experimentan fluctuaciones en tiempo real. El enfoque convencional para detectar estos cambios en la presión de la pared a través de mediciones de sensores está obstaculizado por un proceso engorroso, lo que lleva a una disminución de la eficiencia y a la incapacidad de proporcionar predicciones rápidas de los parámetros de la pared. Este artículo presenta una metodología impulsada por datos que aprovecha la imagenología schlieren sin contacto para predecir la presión de la pared dentro del campo de flujo, una técnica que promete informar el diseño optimizado de sistemas de geometría variable. Se ha diseñado un sofisticado marco de aprendizaje profundo, basado en Redes Neuronales Convolucionales (CNN), para anticipar alteraciones en la presión de la pared derivadas de interacciones de ondas de choque de alta velocidad y la capa límite. Utilizando un túnel de viento impulsivo con un número de Mach de 6, hemos obtenido una secuencia de imágenes schlieren y mediciones de presión de la pared correspondientes, capturando las variaciones continuas inducidas por un ángulo de ataque de un generador de ondas de choque. Estos datos han sido fundamentales para compilar un conjunto de datos completo para el entrenamiento y la evaluación de la CNN. El modelo de CNN, una vez entrenado, ha deducido hábilmente la distribución de la presión de la pared a partir de la imagenología schlieren. No obstante, se observó que la capacidad predictiva de la CNN se ve ligeramente disminuida en las regiones donde las variaciones de presión son más pronunciadas. Para evaluar las capacidades de generalización del modelo, hemos segmentado el conjunto de datos según diferentes intervalos temporales para el entrenamiento de la red. Nuestros hallazgos indican que, si bien la generalización de todos los modelos elaborados fue menos que óptima, el Modelo 4 demostró una superior generalización. Se sugiere, por lo tanto, que aumentar el conjunto de entrenamiento con muestras adicionales y refinar la arquitectura de la red será un esfuerzo valioso en futuras iniciativas de investigación.
Descripción
Dentro del dinámico ámbito de las interacciones entre ondas de choque de geometría variable y la capa límite, los parámetros de la pared del campo de flujo experimentan fluctuaciones en tiempo real. El enfoque convencional para detectar estos cambios en la presión de la pared a través de mediciones de sensores está obstaculizado por un proceso engorroso, lo que lleva a una disminución de la eficiencia y a la incapacidad de proporcionar predicciones rápidas de los parámetros de la pared. Este artículo presenta una metodología impulsada por datos que aprovecha la imagenología schlieren sin contacto para predecir la presión de la pared dentro del campo de flujo, una técnica que promete informar el diseño optimizado de sistemas de geometría variable. Se ha diseñado un sofisticado marco de aprendizaje profundo, basado en Redes Neuronales Convolucionales (CNN), para anticipar alteraciones en la presión de la pared derivadas de interacciones de ondas de choque de alta velocidad y la capa límite. Utilizando un túnel de viento impulsivo con un número de Mach de 6, hemos obtenido una secuencia de imágenes schlieren y mediciones de presión de la pared correspondientes, capturando las variaciones continuas inducidas por un ángulo de ataque de un generador de ondas de choque. Estos datos han sido fundamentales para compilar un conjunto de datos completo para el entrenamiento y la evaluación de la CNN. El modelo de CNN, una vez entrenado, ha deducido hábilmente la distribución de la presión de la pared a partir de la imagenología schlieren. No obstante, se observó que la capacidad predictiva de la CNN se ve ligeramente disminuida en las regiones donde las variaciones de presión son más pronunciadas. Para evaluar las capacidades de generalización del modelo, hemos segmentado el conjunto de datos según diferentes intervalos temporales para el entrenamiento de la red. Nuestros hallazgos indican que, si bien la generalización de todos los modelos elaborados fue menos que óptima, el Modelo 4 demostró una superior generalización. Se sugiere, por lo tanto, que aumentar el conjunto de entrenamiento con muestras adicionales y refinar la arquitectura de la red será un esfuerzo valioso en futuras iniciativas de investigación.