❖ 第一作者: Hadi Keramati，Department of Mechanical and Mechatronics Engineering, University of Waterloo, Canada
❖ 通讯作者: Hadi Keramati，Department of Mechanical and Mechatronics Engineering, University of Waterloo, Canada
❖ 作者邮箱: hkeramati@uwaterloo.ca
摘要
本文提出了一种基于复合Bézier曲线生成的复杂翅片几何结构的传热与压降预测的深度学习方法。热设计过程包括复杂、计算成本高且耗时的迭代高保真度仿真。随着机器学习算法和图形处理器（GPU）的发展，GPU的并行处理架构可以用于加速热流体仿真。在本研究中，使用卷积神经网络（CNNs）直接从保存为图像的拓扑结构中预测计算流体力学（CFD）的结果。研究了具有单个翅片以及多个可变形翅片的设计空间。针对单个翅片设计的情况，对Xception网络和常规CNN进行了比较。结果表明，采用Xception神经网络对单翅片设计具有较高的预测精度。Xception网络在单翅片设计的传热和压降预测中提供了98%的准确性。将设计自由度增加到翅片会增加预测误差。然而，这个误差仍然在3 %的真值范围内，这对于设计来说是有价值的。该预测模型可用于基于BREP的紧凑型高效换热器翅片优化设计。
详情可点击下方“阅读原文”
