Optimización Eficiente de la Forma Aerodinámica con Filtrado Geométrico Basado en Aprendizaje Profundo

La optimización basada en surrogados se ha utilizado en la optimización de formas aerodinámicas, pero ha sido limitada debido a la maldición de la dimensionalidad. Aunque se requiere un gran número de variables para la parametrización de la forma, muchas de las formas que la parametrización puede producir son anormales y no añaden información significativa a un modelo de surrogate. Para mejorar la eficiencia de la optimización basada en surrogados, en este estudio se aplican técnicas recientes de aprendizaje automático para reducir la anormalidad tanto de las muestras iniciales como de las de relleno. Este documento propone un nuevo método de muestreo para perfiles aerodinámicos y alas, que se basa en una red generativa adversarial convolucional profunda. Esta red se entrena para aprender las características subyacentes entre los perfiles aerodinámicos existentes y es capaz de generar perfiles de muestra que son notablemente más realistas que los generados por otros métodos de muestreo. Además, se desarrolla un modelo discriminativo basado en redes neuronales convolucionales. Este modelo detecta rápidamente la anormalidad geométrica de los perfiles aerodinámicos o secciones de ala sin usar modelos computacionales de dinámica de fluidos costosos. Estos modelos de aprendizaje automático están integrados en un marco de optimización aerodinámica basado en surrogados y realizan la optimización de la forma aerodinámica para perfiles aerodinámicos y alas. Los resultados demuestran que, en comparación con los métodos convencionales, nuestros modelos propuestos pueden duplicar la eficiencia de optimización.