热能动力工程

作者：张 强，李 春，缪维跑，岳敏楠

单位：上海理工大学 能源与动力工程学院，上海 200093,,上海理工大学 能源与动力工程学院，上海 200093,,上海理工大学 能源与动力工程学院，上海 200093,,上海理工大学 能源与动力工程学院，上海 200093,

关键词：深度学习;卷积神经网络;弹片翼型;流场识别;非定常

基金：国家自然科学基金资助项目（51976131，52006148，52106262）

弹片是解决翼型流动分离的重要技术手段，合理的弹片参数对翼型表面压力分布尤为重要。基于数据驱动的深度学习方法与计算流体力学（Computational Fluid Dynamics，CFD）相结合，可快速有效地完成对复杂流场特征的识别与提取。本文提出一种基于卷积神经网络（Convolutional Neural Network，CNN）的翼型表面压力分布预测方法，通过提取流场的尾流速度、压力等流动特征构建翼型表面压力分布的预测模型。首先，通过数值模拟计算了8种不同抬起角度的NACA 0012弹片翼型的流场；其次，采用提取的流场数据建立CNN预测模型；最后，将预测值和CFD计算值进行对比。结果表明：基于CNN的预测模型对翼型表面压力系数分布有较高的预测精度，其中尾流速度模型在弹片抬起角度为15°时的预测均方根误差仅为0.1，说明尾流速度中包含丰富的流场信息。

来源：2024年第2期

《热能动力工程》期刊编辑部

查看热能动力工程杂志2024年第2期