17、深度学习在流体模拟与机器视觉检测中的应用与分析

深度学习在流体模拟与机器视觉检测中的应用与分析

一、卷积神经网络在流体模拟中的应用

1. 网络架构与参数
   在流体模拟中，使用了两种不同架构的卷积神经网络（CNN）。一种CNN在整个网络中保持一个通道，另一种则使用两个通道并在最后一层合并。网络层之间输出维度会作为下一层的输入维度，输出与输入沿轴向的关系由特定公式决定，且始终使用步长为1，避免使用分数步长。
2. 平板势流模拟结果
   • 对于平板势流情况，使用特定CNN预测特定马赫数（$M_{\infty}$）和攻角（$\alpha$）的测试用例。该CNN仅有15,047个参数，经过15,000个训练周期后，验证用例的平均绝对百分比误差（MAPE）达到2.4%。
   • 该CNN除最后一层使用Sigmoid激活函数外，其余层均使用Leaky - ReLU（$\alpha = 0.05$）作为激活函数。采用带有amsgrad的Adam优化器进行训练，学习率（lr）为0.005，$\beta_1 = 0.9$，$\beta_2 = 0.999$。训练算法每500个周期在20和100的小批量大小之间循环，且未采用dropout技术。
   • 以$M_{\infty}= 0.6$和$\alpha = 9°$的强非线性、近超声速流动情况为例，CNN虽然不能完美复制，但能捕捉到场速度分量的主要特征，尤其是靠近平板边界的特征，不过在流场内部区域会出现小的扰动。
3. ONERA M6机翼模拟结果