[论文解读] Machine Learning Surrogates for Predicting Response of an Aero-Structural-Sloshing System

Shashank Srivastava, Murali Damodaran+1 more|arXiv (Cornell University)|Nov 19, 2019

Model Reduction and Neural Networks参考文献 26被引用 5

一句话总结

本文提出一种基于循环神经网络（RNN）的机器学习代理模型，用于预测具有晃动动力学的跨音速机翼-燃油箱系统的非定常气动弹性响应。利用高保真计算流体动力学（CFD）生成的气动和晃动载荷数据，该RNN代理模型能够准确预测依赖于运动历史的力和力矩，相较于全耦合仿真，展现出高精度和计算效率。

ABSTRACT

This study demonstrates the feasibility of developing machine learning (ML) surrogates based on Recurrent Neural Networks (RNN) for predicting the unsteady aeroelastic response of transonic pitching and plunging wing-fuel tank sloshing system by considering an approximate simplified model of an airfoil in transonic flow and sloshing loads from a partially filled fuel tank rigidly embedded inside the airfoil and undergoing a free unsteady motion. The ML surrogates are then used to predict the aeroelastic response of the coupled system. The external aerodynamic loads on the airfoil and the two-phase sloshing loads data for training the RNN are generated using open-source computational fluid dynamics (CFD) codes. The aerodynamic force and moment coefficients are predicted from the surrogate model based on its motion history. Similarly, the lateral and vertical forces and moments from fuel sloshing in the fuel tank are predicted using the surrogate model resulting from the motion of the embedded fuel tank. Comparing the free motion of the airfoil without sloshing tank to the free motion of the airfoil with a partially-filled fuel tank shows that the effects of sloshing on the aeroelastic motion of the aero-structural system. The effectiveness of the predictions from RNN are then assessed by comparing with the results from the high-fidelity coupled aero-structural-fuel tank sloshing simulations. It is demonstrated that the surrogate models can accurately and economically predict the coupled aero-structural motion.

研究动机与目标

• 开发一种数据驱动的机器学习代理模型，以捕捉耦合气动-结构-晃动系统的复杂非线性动力学特性。
• 通过用训练好的RNN代理模型替代高保真、耗时的全耦合气动-结构-晃动仿真，降低计算成本。
• 研究燃油晃动对跨音速机翼在俯仰和升降运动下非定常气动弹性行为的影响。
• 通过与全耦合系统的高保真CFD仿真对比，验证代理模型的预测精度。
• 基于运动历史实现气动和晃动载荷的快速预测，支持实时或参数化分析。

提出的方法

• 在高保真CFD仿真生成的运动历史（俯仰和升降）及其对应的气动和晃动载荷时间序列数据上训练循环神经网络（RNN）。
• 利用RNN基于机翼的运动历史预测气动载荷系数和力矩系数，将系统视为时间序列模型。
• 训练另一个独立的RNN，基于油箱的运动历史预测油箱中部分填充燃油引起的侧向和垂直方向的力和力矩。
• 使用开源CFD代码生成跨音速流过机翼的仿真数据，以及刚性油箱中两相流晃动的仿真数据作为训练数据。
• 采用监督学习方法训练RNN，使用时间延迟输入序列以捕捉系统中的动态记忆效应。
• 通过与全耦合气动-结构-晃动仿真对比，验证代理模型的预测性能，评估其精度和计算效率。

实验结果

研究问题

• RQ1 基于运动历史，基于RNN的代理模型能否准确预测跨音速俯仰和升降机翼的非定常气动力和力矩？
• RQ2 RNN代理模型在多大程度上能够预测附着于机翼上的部分填充燃油箱中由晃动引起的力和力矩？
• RQ3 与无燃油箱的刚性机翼相比，引入晃动动力学如何影响耦合系统的气动弹性响应？
• RQ4 在力、力矩和运动响应方面，RNN代理模型的预测精度与高保真全耦合CFD仿真相比如何？
• RQ5 RNN代理模型能否在保持高预测保真度的同时，实现对气动-结构-晃动系统显著的计算成本节省？

主要发现

• RNN代理模型基于机翼的运动历史，能够准确预测气动载荷系数和力矩系数，与高保真CFD仿真结果高度一致。
• 该代理模型成功基于油箱的运动历史捕捉了由燃油晃动引起的力和力矩，与参考仿真相比误差极小。
• 引入晃动动力学显著改变了气动弹性响应，引入了刚性机翼情况下不存在的额外非线性和不稳定性。
• 与全耦合仿真相比，该代理模型将计算成本降低了数个数量级，同时保持了高预测精度。
• 基于RNN的方法在捕捉耦合气动-结构-晃动系统中的时间依赖性和记忆效应方面表现出强鲁棒性。
• 与高保真仿真对比验证表明，该代理模型能够可靠预测耦合系统的自由运动特性，包括振幅和频率特征。