Investigation de l'écoulement dans une cascade de compresseurs utilisant des réseaux neuronaux informés par la physique avec une stratégie d'apprentissage adaptatif

Dans cette étude, nous utilisons pour la première fois l'approche émergente des réseaux neuronaux informés par la physique (PINNs) pour prédire le champ d'écoulement d'une cascade de compresseurs. Contrairement aux méthodes d'entraînement conventionnelles, une nouvelle stratégie d'apprentissage adaptatif qui atténue le déséquilibre des gradients grâce à l'incorporation de poids adaptatifs en conjonction avec un taux d'apprentissage ajustant dynamiquement est utilisée pendant le processus d'entraînement pour améliorer la convergence des PINNs. La performance des PINNs est évaluée ici en résolvant à la fois les problèmes direct et inverse. Dans le problème direct, en encapsulant les relations physiques entre les variables pertinentes, les PINNs démontrent leur efficacité à prévoir avec précision le champ d'écoulement du compresseur. Les PINNs montrent également des avantages évidents par rapport aux approches traditionnelles de dynamique des fluides computationnelle (CFD), en particulier dans les scénarios manquant de conditions aux limites complètes, comme c'est souvent le cas dans les problèmes d'ingénierie inverse. Les PINNs reconstituent avec succès le champ d'écoulement de la cascade de compresseurs uniquement sur la base de vecteurs de vélocité partiels et d'informations de pression près des parois. De plus, les PINNs montrent une performance robuste dans un environnement de divers niveaux d'incertitudes aléatoires découlant de données étiquetées. Cette recherche fournit des preuves que les PINNs peuvent offrir aux concepteurs de turbomachines une option supplémentaire et prometteuse aux côtés des méthodes CFD actuellement dominantes.