C(NN)FD — a deep learning framework for turbomachinery CFD analysis

要約

深層学習手法は、さまざまな業界で幅広い用途で成功を収めています。
これまで、CFD (数値流体力学) などの物理シミュレーションへの応用は、産業との関連性が低い単純なテストケースに限定されていました。
この論文では、チップクリアランスの変動に焦点を当て、ガスタービンの軸流圧縮機の全体的な性能に対する製造および構造の変動の影響をリアルタイムに予測するための新しいディープラーニングフレームワークの開発を実証します。
これに伴う効率のばらつきにより、$CO_2$ 排出量が大幅に増加する可能性があるため、産業上および環境上大きな関連性があります。
提案された \textit{C(NN)FD} アーキテクチャは、CFD ベンチマークに匹敵するリアルタイム精度を達成します。
流れ場を予測し、それを使用して対応する全体的なパフォーマンスを計算することで方法論が一般化できる一方、CFD ソリューションの関連部分のみをフィルタリングすることで方法論が産業アプリケーションに拡張可能になります。

要約(オリジナル)

Deep Learning methods have seen a wide range of successful applications across different industries. Up until now, applications to physical simulations such as CFD (Computational Fluid Dynamics), have been limited to simple test-cases of minor industrial relevance. This paper demonstrates the development of a novel deep learning framework for real-time predictions of the impact of manufacturing and build variations on the overall performance of axial compressors in gas turbines, with a focus on tip clearance variations. The associated scatter in efficiency can significantly increase the $CO_2$ emissions, thus being of great industrial and environmental relevance. The proposed \textit{C(NN)FD} architecture achieves in real-time accuracy comparable to the CFD benchmark. Predicting the flow field and using it to calculate the corresponding overall performance renders the methodology generalisable, while filtering only relevant parts of the CFD solution makes the methodology scalable to industrial applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google