شبکه های عصبی بازگشتی عمیق برای پیش بینی توزیع ضرایب فشار مافوق صوت بر روی هندسه های آیرودینامیکی پارامتری

پیش بینی دقیق توزیع فشار سطح برای تحلیل آیرودینامیکی و طراحی اجسام با تقارن محوری پرسرعت، به ویژه برای پیکربندی هایی مانند مخروط ها و فلرهای کروی، بسیار مهم است. دینامیک سیالات محاسباتی سنتی (CFD) نتایج قابل اعتمادی ارائه می دهد اما از نظر محاسباتی گران است، به ویژه هنگام ارزیابی تغییرات هندسی متعدد. برای پرداختن به این چالش، ما یک شبکه حافظه کوتاه مدت بلندمدت دوطرفه (BiLSTM) را به عنوان یک مدل جایگزین مبتنی بر داده برای پیش بینی ضریب فشار (Cp) در امتداد سطوح متقارن محوری پیشنهاد می کنیم. BiLSTM از ماهیت ترتیبی هندسه سطح برای یادگیری ویژگی های جریان محلی و جهانی از یک مجموعه داده فشرده از شبیه سازی های CFD با دقت بالا استفاده می کند. هشتاد هندسه، که هر کدام توسط هفت پارامتر کلیدی تعریف شده اند، در سرعت ماخ ۲ با استفاده از CFD متقارن محوری دوبعدی تحت فرضیات جریان آرام شبیه سازی شدند. مطالعات مقایسه ای با شبکه های عصبی پیش خور (FNN) و معماری های LSTM تک جهته، برتری BiLSTM را نشان می دهد و به R² = ۰.۹۸۵ و میانگین خطای مطلق ۰.۰۴۵ دست یافته است. نتایج نشان می دهد که ساختار دو جهته به طور موثر همبستگی های مکانی رو به جلو و عقب را ثبت می کند و پیش بینی های Cp روان و از نظر فیزیکی سازگار، به ویژه در نزدیکی مناطق تراکم سکون و شعله ور، ارائه می دهد. این چارچوب یک رویکرد محاسباتی کارآمد، با دقت بالا و قابل تعمیم برای پیش بینی آیرودینامیکی ارائه می دهد و پتانسیل قابل توجهی برای طراحی مفهومی سریع و مطالعات پارامتری اجسام متقارن محوری پیچیده ارائه می دهد.

کلیدواژه ها:

Neural Networks ، Supersonic Flows ، BiLSTM ، Computational Fluid Dynamics (CFD) ، Pressure Doefficient