Ein neuartiges, aufmerksamkeitsverstärktes tiefes neuronales Netzwerk zur Vorhersage von hypersonischer raum-zeitlicher Turbulenz

Turbulente Strömungen mit hohem Reynolds-Zahl von hypersonischen Fahrzeugen zeigen multi-skalen Struktureigenschaften und nicht-gleichgewichtige hochfrequente Merkmale, was eine erhebliche Herausforderung für die genaue Vorhersage darstellt. Ein tiefes neuronales Netzwerk, das mit einem Aufmerksamkeitsmechanismus als reduziertes Modell für hypersonische turbulente Strömungen integriert ist, wird vorgeschlagen. Es ist in der Lage, raum-zeitliche Eigenschaften direkt aus hochdimensionalen numerischen turbulenten Daten zu erfassen. Das Netzwerkmodell nutzt eine Encoder-Decoder-Architektur, bei der der Encoder hochgradige semantische Informationen des Eingangsströmungsfeldes erfasst, das Convolutional Long Short-Term Memory-Netzwerk die low-dimensionale Charakteristika-Evolution erlernt und der Decoder pixelgenaue multi-kanalige Strömungsfeldinformationen generiert. Zusätzlich wird in der Decodierungsphase eine Skip-Verbindungsstruktur eingeführt, um die Merkmalsfusion zu verbessern, während ein Dual-Attention-Block integriert wird, der automatisch Gewichte anpasst, um räumliche Ungleichgewichte in der Turbulenzverteilung zu erfassen. Durch die Bewertung der zeitlichen Generalisierungsfähigkeit lernt das neuronale Netzwerk effektiv die Evolution der multi-skalen hochfrequenten Turbulenzeigenschaften. Es ermöglicht eine schnelle Vorhersage der Evolution von Turbulenzen mit hoher Reynolds-Zahl über die Zeit mit angemessener Genauigkeit und gleichzeitig ausgezeichneter rechnerischer Effizienz.