Моделирование аэродинамических характеристик профиля крыла с использованием искусственных нейронных сетей
DOI:
https://doi.org/10.7242/2658-705X/2025.4.6Ключевые слова:
нейронные сети, аэродинамические коэффициенты, обратная задача, NACA, профиль крылаАннотация
В работе рассматривается применение искусственных нейронных сетей для решения прямой и обратной задач аэродинамического моделирования на примере двухмерного профиля крыла NACA2415. На основе численного решения стационарных уравнений Навье–Стокса формируется обучающая выборка, включающая аэродинамические коэффициенты подъёмной силы и сопротивления для различных значений геометрических параметров и угла атаки. Построена нейронная сеть с двумя скрытыми слоями по 10 нейронов и сигмоидальной активацией, проведено её обучение на выборках с регулярным и случайным распределением параметров. Продемонстрирована возможность решения обратной задачи — восстановления геометрических параметров профиля крыла и угла атаки по заданным аэродинамическим коэффициентам
с уровнем ошибки не более 5%. Полученные результаты подтверждают эффективность нейронных сетей для моделирования и инверсного проектирования аэродинамических профилей.
Библиографические ссылки
Rai M.M., Madavan N.K. Aerodynamic design using neural networks // AIAA Journal. – 2000. – Vol. 38, No. 1. – P. 173–182. DOI: 10.2514/2.938
Sun G., Sun Y., Wang S. Artificial neural network based inverse design: Airfoils and wings // Aerospace Science and Technology. – 2015. – Vol. 42. – P. 415–428. DOI: 10.1016/j.ast.2015.01.030
Sekar V., Zhang M., Shu C., Khoo B.C. Inverse design of airfoil using a deep convolutional neural network // AIAA Journal. – 2019. – Vol. 57, No. 3. – P. 993–1003. DOI: 10.2514/1.J057894
Du X., Ren J., Leifsson L. Aerodynamic inverse design using multifidelity models and manifold mapping // Aerospace Science and Technology. – 2019. – Vol. 85. – P. 371–385. DOI: 10.1016/j.ast.2018.12.008
Li J., Du X., Martins J.R.R.A. Machine learning in aerodynamic shape optimization // Progress in Aerospace Sciences. – 2022. – Vol. 134. – 100849. DOI: 10.1016/j.paerosci.2022.100849
Samareh J.A. Survey of shape parameterization techniques for high-fidelity multidisciplinary shape optimization // AIAA Journal. – 2001. – Vol. 39, No. 5. – P. 877–884. DOI: 10.2514/2.1391
Kulfan B.M. Universal parametric geometry representation method // Journal of Aircraft. – 2008. – Vol. 45, No. 1. – P. 142–158. DOI: 10.2514/1.29958
Kharal A., Saleem A. Neural networks based airfoil generation for a given Cp using Bezier–PARSEC parameterization // Aerospace Science and Technology. – 2012. – Vol. 23. – P. 330–344. DOI: 10.1016/j.ast.2011.08.010
Jacobs E.N., Ward K.E., Pinkerton R.M. The characteristics of 78 related airfoil sections from tests in the variable-density wind tunnel // NACA Report. – 1933. – No. 460 https://ntrs.nasa.gov/api/citations/19930091108/downloads/19930091108.pdf
