《Applied Ocean Research》:Development of an early stage hydrofoil design tool including unsteady hydrodynamics
编辑推荐:
摘要:本文开发了一种早期阶段水翼(hydrofoil)设计工具,通过在一个经几何参数化的水翼在强迫俯仰(forced pitch)运动和强迫沉浮(forced heave)运动下的非定常升力和阻力数据上训练循环神经网络(recurrent neural net
摘要:本文开发了一种早期阶段水翼(hydrofoil)设计工具,通过在一个经几何参数化的水翼在强迫俯仰(forced pitch)运动和强迫沉浮(forced heave)运动下的非定常升力和阻力数据上训练循环神经网络(recurrent neural network/RNN)来建立。通过结合静态特征与动态特征,机器学习模型能够学习任意几何参数组合下水翼对非定常激励的响应。强迫俯仰工况下升力与阻力的平均相对测试误差相对于高保真RANS结果分别为13.16%和9.67%;强迫沉浮工况下分别为1.78%和5.78%。机器学习模型的评估代价极低,可在优化过程中作为代理模型(surrogate)求解多目标优化问题。研究人员为此开发了Web应用程序,得到一种适用于水翼概念设计的实用工具,并通过验证(verification)、确认(validation)算例及案例研究评估了工具的实际价值。该工具可快速提出满足给定运行条件下性能优良的新水翼设计方案,这为进一步探索新机器学习策略及完善工具以改进水翼概念设计提供了动机。
论文解读:含非定常水动力学的早期水翼设计工具及基于多保真度Bi-LSTM代理模型的SBDO方法
研究背景与意义
水翼(hydrofoil)艇的概念设计需考虑自由液面影响、湍流及波浪/操纵引起的非定常(unsteady)水动力学效应,高保真RANS(Reynolds-Averaged Navier–Stokes)模拟计算成本过高无法直接用于早期迭代设计,而传统低阶势流方法无法捕捉黏性与非定常效应,易导致次优设计。为将高保真物理信息前移至概念设计阶段,Scholcz等人在《Applied Ocean Research》发表此文,提出一种基于多保真度(multi-fidelity)递归神经网络代理模型的仿真驱动设计优化(Simulation Based Design Optimization/SBDO)工具,可在数分钟内完成含非定常升阻力预测的水翼多目标形状优化。
主要关键技术方法
研究人员采用六参数几何参数化(平均气动弦、翼梢弦< />tip>、最大厚度< />max>、最大弯度< />max>、折点距< />k>、投影面积及展长),通过Buckingham Π定理无量纲化得几何无量纲数(展弦比Ar、锥度比λtap、弯度比λcr、厚度比λt、折点距比λyk及λs=d/c等)与运行无量纲数(Fr、Re、减缩频率kh/α、Strouhal数)。采用嵌套拉丁超立方抽样(nested LHS)生成实验设计:低 fidelity用非定常涡格法(Unsteady Vortex Lattice Method/VLM)400样本,高保真用ReFRESCO求解器做URANS(unsteady RANS)带k-ω SST 2003湍流模型,50或100样本且HF?LF。构建双向长短时记忆网络(Bi-directional LSTM/Bi-LSTM)代理模型,单保真输入为静态几何+运行参数+时变运动信号,多保真额外引入VLM输出的CLLF(t)、CDLF(t)作动态特征;时间步固定Nt=41。经超参数网格搜索选定最优层数、隐层单元数、学习率与轮数。优化采用NSGA-III算法以最大化平均升力、最小化平均阻力、最小化空化风险为目标,约束含最小升力、弯曲应力许用值及中性攻角无空化,空化桶(cavitation bucket)用PROCAL计算并以3-近邻(K-NN)插值近似。前端为Docker容器化Web应用,TF-Serving部署Bi-LSTM,异步任务队列执行优化。
研究结果
2.1 Shape parametrization(几何参数化)
研究人员用Grasshopper定义二维Eppler 817类翼型截面及梯形平面形(根弦、梢弦、折点距、展长),最终六个独立无量纲几何特征描述水翼构型,设计空间限定N≤10便于后续代理优化。
2.2 Numerical simulations(数值模拟)
低 fidelity VLM基于速度势理论加经验厚度修正,快但忽略黏性;高 fidelity URANS用ReFRESCO,动网格处理俯仰(RBF网格变形)与沉浮(刚体移动),y+<1,网格500万~4000万单元。两者构成嵌套DoE,HF是LF的子集。
2.3 Surrogate models(代理模型)
经五组训练方案对比(VLM单保真、RANS单保真50/100样本、多保真50-RANS+400-VLM、多保真100-RANS+400-VLM),多保真Bi-LSTM在俯仰工况(Case 5)取得最佳交叉验证表现:升力平均相对误差(Mean Relative Error/MRE)验证7.46%、测试13.16%,阻力验证7.46%、测试9.67%;沉浮工况多保真(Case 4,50 RANS)升力测试MRE 1.78%、阻力5.78%。VLM单保真模型自身误差<5%,足以为多保真提供动态输入特征。学习曲线显示VLM模型在400样本趋于饱和。
2.4 Optimizer(优化器)
建立含最大/最小平均升力FL、平均阻力FD及空化风险σrisk的多目标最小化问题,加入最小升力约束gL≤0、弯曲应力约束gσbend≤0(屈服应力安全系数1.15~1.30)及中性攻角空化约束gσNeutral≤0。NSGA-III设种群100、最大代数10、变异率0.15%,参考点维持Pareto前沿分布,最终按用户权重选解。
4. Verification and validation(验证与确认)
选取Aspect Ratio=8、λs=0.14、Fr=4.14之俯仰水翼(Re略低于训练下限),对比ML预测、RANS与TU Delft实验:准静态(k=0.006, α0=10°)与动态(k=0.131, α0=3.5°)下ML预测的CL(t)跟随RANS趋势,动态迟滞环较RANS略窄(受Re越界影响);CD(t)同样偏窄但仍远优于VLM。实验CL系统性偏低,归因于RANS未模化的垂直支柱(strut)干扰及层流-湍流转捩差异。ML与RANS升力相对误差多在15%内,满足概念设计精度要求。
5. Case study(案例研究)
设定U∞=10 m/s、d=0.16 m、k=0.012、α0=3.5°,目标升力1000/2000/4000 N(容差±10 N),三种权重(等权、仅升力、仅阻力)优化。等权解为升阻与空化折衷,"仅升力"得最大FL但高阻,"仅阻力"得最低FD。RANS校核工具预测升力误差<15%。敏感度分析显示剖面弯度比λcr对升阻力影响最显著,其次为厚度比λt,锥度比与折点距比影响较小。工具可在秒级给出满足性能的水翼几何族。
讨论与结论总结
研究人员得出结论:通过嵌套LHS采集低(VLM)高(URANS)保真度非定常俯仰/沉浮数据,训练含静态几何与动态运动时序的多保真度Bi-LSTM代理模型,强迫俯仰升力与阻力测试MRE分别为13.16%与9.67%,强迫沉浮分别为1.78%与5.78%。该代理模型计算成本可忽略,嵌入NSGA-III多目标优化并与K-NN空化评估集成于Docker化Web应用。验证表明ML预测接近RANS结果(动态迟滞环略窄),实验偏差源于未建模附件与Re外推。案例研究证明工具可快速生成满足指定升力、阻力及空化约束的多样水翼设计方案。此方法将高保真非定常水动力信息引入概念设计阶段,为后续引入更先进机器学习架构及扩充物理效应(自由液面、叶梢涡等)奠定基础。