Desarrollo de un nuevo método de evaluación de la calidad de la malla basado en una red neuronal convolucional——Notas de la Dirección 1

Dirección 1: Evaluación de la calidad de la malla.

Investigación sobre el método de evaluación de la calidad de la malla basado en una red neuronal convolucional (Desarrollo de un nuevo método de evaluación de la calidad de la malla basado en una red neuronal convolucional)

Introducir

Diferentes formas de mallas y diferentes segmentaciones (métodos) tienen diferentes criterios de evaluación.
Se derivan varios criterios de calidad para elementos triangulares, cuadriláteros, tetraédricos y hexaédricos.
Para mallas bidimensionales , el criterio de ángulo interno mínimo y el criterio de ángulo máximo y mínimo se utilizan a menudo para guiar las mediciones de la forma del elemento.
Sin embargo, estos dos criterios no se aplican a las mallas tridimensionales.

Estándar para malla tridimensional:
ángulo sólido mínimo θ
relación de radio mínimo ρ
coeficiente gamma γ
tetraedro T

Etc.…
La sección de revisión propone diferentes criterios de evaluación para diferentes grillas.

En general, es posible que los estándares de calidad existentes no garanticen la generación u optimización de mallas de alta calidad (preguntando sobre los problemas existentes). Esto se debe a que la derivación de estos estándares suele ser específica de un tipo de elemento específico o modelo CFD, y diferentes estándares pueden incluso conducir a resultados diferentes u opuestos para la misma malla.
(Importancia/valor del trabajo existente) Por lo tanto, la tarea actual de evaluación de la calidad de la red requiere que los ingenieros emitan juicios utilizando los estándares de calidad existentes y su experiencia en proyectos. Dado que la inspección manual aumenta en gran medida los costos de preprocesamiento CFD y dificulta el proceso de generación automática de mallas de alta calidad, es ideal utilizar un evaluador de calidad de malla completamente automático . Esto se define como tomar una malla y los parámetros asociados como entrada y luego evaluar automáticamente la calidad de la malla.

A continuación se presentan algunas cosas de aprendizaje profundo...
puntos de contribución

1. Un conjunto de datos NACAMarket para facilitar las tareas de evaluación de la calidad de la malla basadas en el aprendizaje profundo.
2. Para abordar la evaluación de cuadrículas, presentamos un nuevo esquema de representación de tres canales para varias cuadrículas en el entrenamiento de redes neuronales.
3. Evaluación automática de la calidad de la red: GridNet basado en CNN
4. Los experimentos demuestran que GridNet es eficaz

2. Conjunto de datos

Tres propiedades que tienen una gran influencia en la calidad de la malla:
(1) Suavidad
(2) Ortogonalidad
(3) Distribución del espaciado

El conjunto de datos se describe : La versión actual de NACA Market contiene 10,240 cuadrículas NACA0012. Todas las mallas pertenecen a ocho tipos de calidad diferentes , con un promedio de 1280 mallas por tipo . Para generar etiquetas de alta precisión, primero utilizamos métodos discriminantes manuales para evaluar la calidad de la red en NACA Market .
Introducir las ventajas del conjunto de datos .

3. Modelo CNN para tareas de evaluación de la calidad de la malla.

Definición del problema: es un problema de clasificación (no un problema de regresión)

Funciones de tres canales: para cada elemento de la cuadrícula, seleccionamos la longitud x , la longitud y y el ángulo máximo para formar una función de calidad de tres canales, que es similar a la función RGB de tres canales de una imagen. Estas características de calidad de cada elemento se extraen automáticamente cuando se genera la malla.

Luego, generamos la matriz de entrada a partir de la cuadrícula. La primera fila de la matriz corresponde a las características de masa de los elementos de la cuadrícula más externos de la cuadrícula, y la última fila corresponde a los elementos de la cuadrícula cerca de la capa límite (ver Figura 8). En cada canal, el número de entradas en la matriz es igual al número de elementos de la cuadrícula.

Posteriormente, utilizamos un modelo basado en CNN como discriminador de calidad de malla para evaluar la calidad de la malla. La representación de cuadrícula de tres canales (matriz de entrada) se alimenta al modelo de red para calcular el vector de salida de probabilidad máxima suave.

La estructura del modelo se presenta a continuación.

experimento

Resultados comparados con otras líneas de base