Shape optimization for fluid flow with parametric level set method and deep neural networks
Notice bibliographique
Résumé
This study presents a novel application of the parametric level-set (PLS) method to develop a shape optimization process by directly modifying flow dynamics. The present method employs linear superimposition of polynomial perturbations to traditional PLS as shape optimization parameters. This enables smooth shape changes without any change in topology and limits the design variables to only the number of polynomials required for arbitrary hydrofoil morphing. During optimization, deep convolutional neural networks are integrated with the point clouds of the uniform level set to provide a surrogate model for flow dynamics. The present shape optimization method is employed here to delay stall via mitigation of flow separation on the suction surface of the NACA66 hydrofoil at high angles of attack. Shape optimization mitigates the forward movement of trailing edge flow reversal via changes in hydrofoil thickness and camber forward of the maximum hydrofoil thickness point. The optimized design shows more than two order reductions in mean flow reversal compared to NACA66 under the design condition angle of attack of 11 . 5 ∘ . At 14°, NACA66 shows complete flow separation while the optimized design exhibits almost three orders lower mean reversal magnitude of top surface flow than that of NACA66, indicating significantly delayed flow separation characteristics. The surrogate-based optimization is performed at four orders of magnitude lower computation time than full-order flow solvers. The results demonstrate the potential of the proposed PLS and deep neural network methodology to perform fast data-driven (non-intrusive) shape optimization of fluid flow. • Novel parametric level set framework with smooth shape morphing capabilities. • Scalable fluid flow optimization via integration with convolutional neural networks. • Shape optimization enables robust mitigation of hydrofoil flow separation and stall. • Increasing leading-edge camber is an important hydrofoil stall mitigation mechanism. • Maximum thickness in optimized hydrofoils converges to 32% of chord length.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».