机器学习在翼型设计中的应用
研究目的
用深度学习解决翼型设计问题多映射和流体控制的问题
why DL:飞行器设计过程中依赖设计师经验,设计数据量少
研究方法
- 基于生成对抗网络解决翼型设计
- 以工程算例评估验证基于生成对抗网络设计的翼型
- 基于强化学习解决流体控制问题
基于生成对抗网络解决翼型设计
通过加入服从高斯分布的隐代码改变翼型,解决一对多的映射问题
使用预训练的验证神经网络验证生成的翼型是否满足特定工况下的升阻系数
使用四种GAN变形算法进行比较分析:
Pix2Pix: 目标函数增加了生成数据与真实数据的误差,使得生成的翼型曲线更加顺滑
cVAE-GAN:比Pix2Pix模型多了个编码器,将真实翼型数据映射到隐代码,得到了目标升阻系数误差更低的模型,但是翼型多样性较差
cLR- GAN:将生成数据映射到隐代码,重构隐代码,在目标函数中将生成数据与真实数据的误差更换为隐代码与重构隐代码之间的误差,由于没有翼型数据的误差,生成的翼型数据锯齿化严重
Bicycle- GAN:结合c VAE-GAN和cLR- GAN,使得生成翼型更加多样化且保障了翼型的光滑度
以工程算例评估验证基于生成对抗网络设计的翼型
考虑任务阶段包括启动暖机、滑跑、起飞等的无人机翼型,以无人机的巡航阶段作为设计目标
重新生成新的训练数据集训练Bicycle- GAN网络
经验证,生成的翼型只能符合巡航飞行的升力系数要求,不能保证其他阶段的升力系数要求。
基于强化学习解决流体控制问题
近端策略优化(PPO)+全连接层人工神经网络(FACNN)
根据机翼受到的阻力和升力分量的波动定义奖励函数机制
对模拟的欠采样来对强化学习智能体的输出进行强正则化
采用连续控制来帮助学习过程
不足
翼型设计只能满足某一阶段的任务要求
训练时间与数据精度的博弈
网络结构过于基础,存在过拟合、不收敛、模型不稳定的问题