基于UNet的翼型可壓縮流場機器學習推理方法

摘要： 為進一步提升高雷諾數(shù)、大迎角（Angle of attack, AoA）和高馬赫數(shù)下的翼型可壓縮流場預測精度和效率，本文提出了一種基于坐標轉(zhuǎn)換方法和UNet神經(jīng)網(wǎng)絡的機器學習推理方法。首先，提出了用于數(shù)據(jù)前處理的坐標轉(zhuǎn)換方法，將計算流體力學中的物理量和網(wǎng)格信息轉(zhuǎn)換成神經(jīng)網(wǎng)絡空間信息，使流場信息的分布更符合神經(jīng)網(wǎng)絡的輸入要求。其次，建立了新型深度UNet神經(jīng)網(wǎng)絡，使模型學習到翼型...