C(NN)FD — Deep Learning Modelling of Multi-Stage Axial Compressors Aerodynamics

要約

科学機械学習の分野とCFDなどの数値分析への応用は、最近関心の急増を経験しています。
その生存率は異なるドメインで実証されていますが、ターボチャイナリー分野の産業用途で実用的にするためのレベルの堅牢性とスケーラビリティにまだ達していません。
ガスタービン用途向けの多段階軸コンプレッサーの非常に複雑で、乱流、3次元の流れは、非常に困難なケースを表しています。
これは、幾何学的変数および運用変数からのフローフィールドの回帰の高次元性と、CFDドメインの大規模に関連する高い計算コストによるものです。
このペーパーでは、フローフィールドの予測と多段階の軸コンプレッサーの空力性能の予測のための一般化された深い学習フレームワークの開発と応用を示しています。
物理ベースの次元削減により、大規模なドメインのフローフィールド予測の可能性が解き放たれ、回帰問題が構造化されていないものから構造化されたものに再構築されます。
関連する物理方程式は、多次元の物理的損失関数を定義するために使用されます。
「ブラックボックス」アプローチと比較して、提案されたフレームワークには、対応する空力ドライバーを0D/1D/2D/3Dレベルで特定できるため、全体的なパフォーマンスの物理的に説明可能な予測の利点があります。
反復アーキテクチャが採用されており、予測の精度を改善し、関連する不確実性を推定します。
このモデルは、製造および構築のバリエーション、さまざまな形状、コンプレッサー設計、動作条件など、一連のデータセットでトレーニングされています。
これは、ベンチマークに匹敵する精度で、一般化可能な方法でフローフィールドと全体的なパフォーマンスを予測する能力を示しています。

要約(オリジナル)

The field of scientific machine learning and its applications to numerical analyses such as CFD has recently experienced a surge in interest. While its viability has been demonstrated in different domains, it has not yet reached a level of robustness and scalability to make it practical for industrial applications in the turbomachinery field. The highly complex, turbulent, and three-dimensional flows of multi-stage axial compressors for gas turbine applications represent a remarkably challenging case. This is due to the high-dimensionality of the regression of the flow-field from geometrical and operational variables, and the high computational cost associated with the large scale of the CFD domains. This paper demonstrates the development and application of a generalized deep learning framework for predictions of the flow field and aerodynamic performance of multi-stage axial compressors, also potentially applicable to any type of turbomachinery. A physics-based dimensionality reduction unlocks the potential for flow-field predictions for large-scale domains, re-formulating the regression problem from an unstructured to a structured one. The relevant physical equations are used to define a multi-dimensional physical loss function. Compared to ‘black-box’ approaches, the proposed framework has the advantage of physically explainable predictions of overall performance, as the corresponding aerodynamic drivers can be identified on a 0D/1D/2D/3D level. An iterative architecture is employed, improving the accuracy of the predictions, as well as estimating the associated uncertainty. The model is trained on a series of dataset including manufacturing and build variations, different geometries, compressor designs and operating conditions. This demonstrates the capability to predict the flow-field and the overall performance in a generalizable manner, with accuracy comparable to the benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google