Airfoil shape optimization using genetic algorithm coupled deep neural networks

翼型 计算流体力学 Lift(数据挖掘) 升阻比 遗传算法 空气动力学 解算器 阻力系数 人工神经网络 物理 阻力 形状优化 升力系数 算法 计算机科学 机械 数学优化 数学 有限元法 人工智能 机器学习 雷诺数 热力学 湍流
作者
Mingyu Wu,Xin-Yi Yuan,Zhihua Chen,Wei‐Tao Wu,Yue Hua,Nadine Aubry
出处
期刊:Physics of Fluids [American Institute of Physics]
卷期号:35 (8) 被引量:9
标识
DOI:10.1063/5.0160954
摘要

To alleviate the computational burden associated with the computational fluid dynamics (CFD) simulation stage and improve aerodynamic optimization efficiency, this work develops an innovative procedure for airfoil shape optimization, which is implemented through coupling the genetic algorithm (GA) optimizer with the aerodynamic coefficients prediction network (ACPN) model. The ACPN is established using a fully connected neural network with the airfoil geometry as the input and aerodynamic coefficients as the output. The results show that the ACPN's mean prediction accuracy for the lift and drag coefficient is high up to about 99.02%. Moreover, the prediction time of each aerodynamic coefficient is within 5 ms, four orders of magnitude faster compared to the CFD solver (3 min). Taking advantage of the fast and accurate prediction, the proposed ACPN model replaces the expensive CFD simulations and couples with GA to force the airfoil shape change to maximize the lift–drag ratio under multiple constraints. In terms of time efficiency, optimized airfoils can be fast obtained within 25 s. Even considering an extra 50 h spent on data preparing and 20 s for model training, the overall calculation cost is reduced by a remarkable 62.1% compared to the GA-CFD optimization method (5.5 days). Furthermore, the GA-ACPN model improves the lift–drag ratio with and without constraint by 51.4% and 55.4% for NACA0012 airfoil, respectively, while 50.3% and 60.0% improvement achieved by the GA-CFD optimization method. These results indicate that the GA-ACPN optimization approach significantly enhances the optimization efficiency and has great potential to address varying constraint optimization problems.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
wanghq完成签到,获得积分10
刚刚
刚刚
Active完成签到,获得积分10
1秒前
加油杨完成签到 ,获得积分10
3秒前
srandrs完成签到,获得积分10
5秒前
KingLancet完成签到,获得积分10
5秒前
和谐的如柏完成签到,获得积分10
5秒前
无花果应助cjh采纳,获得10
7秒前
9秒前
www完成签到,获得积分10
10秒前
甜蜜的白桃完成签到 ,获得积分10
11秒前
pomelost完成签到 ,获得积分10
15秒前
niuya完成签到,获得积分10
15秒前
脆脆海苔发布了新的文献求助10
18秒前
李爱国应助Shelley采纳,获得10
22秒前
23秒前
25秒前
Erich完成签到 ,获得积分10
28秒前
shidewu完成签到,获得积分10
28秒前
小吴没烦恼完成签到 ,获得积分10
28秒前
29秒前
29秒前
29秒前
开朗的柜子完成签到,获得积分20
29秒前
啦啦啦啦完成签到,获得积分20
30秒前
Echo完成签到,获得积分0
31秒前
sunshine应助小董不懂采纳,获得10
31秒前
31秒前
liuxingyulgg完成签到 ,获得积分10
31秒前
31秒前
123完成签到,获得积分10
33秒前
啦啦啦啦发布了新的文献求助10
33秒前
smjjs发布了新的文献求助10
34秒前
123发布了新的文献求助10
35秒前
林小妞发布了新的文献求助10
35秒前
36秒前
幻想完成签到,获得积分10
37秒前
天灰灰难回味完成签到,获得积分10
37秒前
吴秋完成签到,获得积分10
37秒前
40秒前
高分求助中
Solution Manual for Strategic Compensation A Human Resource Management Approach 1200
Wanddickenabhängiges Bruchzähigkeitsverhalten und Schädigungsentwicklung in einer Großgusskomponente aus EN-GJS-600-3 1000
Natural History of Mantodea 螳螂的自然史 1000
Glucuronolactone Market Outlook Report: Industry Size, Competition, Trends and Growth Opportunities by Region, YoY Forecasts from 2024 to 2031 800
A Photographic Guide to Mantis of China 常见螳螂野外识别手册 800
Treatise on Estuarine and Coastal Science (Second Edition) Volume 3: Biogeochemical Cycling 2024 500
Zeitschrift für Orient-Archäologie 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 细胞生物学 免疫学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3342088
求助须知:如何正确求助?哪些是违规求助? 2969337
关于积分的说明 8638618
捐赠科研通 2649058
什么是DOI,文献DOI怎么找? 1450575
科研通“疑难数据库(出版商)”最低求助积分说明 671938
邀请新用户注册赠送积分活动 661073