证据理论框架下主动学习代理模型驱动的CFD模拟不确定性量化方法OA北大核心CSTPCD
计算流体力学(CFD)模拟中存在模型参数、数值离散和边界条件等诸多形式各异的不确定因素。鉴于证据理论具有灵活的建模框架,且能同时量化CFD模拟中的随机和认知不确定性,基于其提出了一种证据理论框架下主动学习代理模型驱动的CFD模拟不确定性量化方法,以较少的CFD仿真模型调用次数实现对CFD模拟结果的不确定性量化。该方法采用最优最大最小距离策略生成空间分布良好的候选样本点,通过动态熵权-TOPSIS主动学习策略平衡了代理模型的全局探索、局部开发和鲁棒性。此外,提出基于Hartley测度和Jousselme距离的复合收敛准则以判断终止代理模型训练的时间并量化输出响应的不确定性。最后,以采用NASA SC(2)0410翼型剖面的超临界机翼流场CFD模拟为例,分析来流参数和湍流模型参数的不确定性对机翼输出响应升阻比的不确定性量化结果。
陈浩;吴沐宸;陈江涛;夏侯唐凡;赵忠锐;刘宇;
电子科技大学机械与电气工程学院,成都611731航空工业沈阳飞机设计研究所,沈阳110035中国空气动力研究与发展中心,绵阳621000 空天飞行空气动力科学与技术全国重点实验室,绵阳621000电子科技大学机械与电气工程学院,成都611731 电子科技大学系统可靠性与安全性研究中心,成都611731
力学
CFD不确定性量化证据理论主动学习代理模型动态熵权-TOPSIS
《空气动力学学报》 2024 (009)
P.86-99,I0002 / 15
国家自然科学基金(72301057,72271044,72331002,52305010);中国博士后面上项目(2023M730500);四川省自然科学基金(2024NSFSC0904)。
评论