Apprentissage en profondeur de l’aérodynamique et réseaux de neurones appliqués à la simulation CFD

Pour plus d’informations, veuillez visiter ou envoyer un e-mail à info@airshaper.com ——————————— – —- ——————————————— – —- Document de recherche complet: —————————————- – —- —————————————— ici Dans la vidéo , nous examinons comment l’apprentissage automatique / l’apprentissage en profondeur / les réseaux de neurones peuvent être appliqués aux simulations CFD aérodynamiques. Neural Concepts Nous avons interviewé Pierre Baqué, PDG de Neural Concepts, une startup suisse qui développe et fournit des logiciels d’apprentissage en profondeur. Ils ont développé des algorithmes pour relier la déformation de forme 3D, l’apprentissage en profondeur et l’aérodynamique. senseFly senseFly est une société suisse de drones qui souhaite réduire le temps de vol des drones à voilure fixe. senseFly, Neural Concept, EPFL (Université technique de Lausanne-Université polytechnique fédérale de Lausanne) et AirShaper ont uni leurs forces pour appliquer le Deep Learning à la conception des drones afin d’améliorer l’aérodynamisme, car les améliorations du rapport portance / traînée élargissent directement la portée / augmentent le temps de vol. Le logiciel de configuration d’apprentissage en profondeur Neural Concept peut créer et explorer de nouvelles formes 3D pour entraîner son réseau, mais il nécessite un composant aérodynamique pour fournir des commentaires sur les performances de portance / traînée (et d’autres paramètres aérodynamiques) de chaque conception. À cette fin, le logiciel Neural Concept se connecte au cloud AirShaper via une interface API. La formation du réseau de formation du réseau se déroule en plusieurs étapes et la précision est continuellement améliorée. Le préchauffage initial du réseau a été effectué à l’aide d’anciennes simulations internes dans d’autres projets. Dans la deuxième étape, une simulation AirShaper de précision moyenne a été appliquée. Dans la dernière étape, la simulation AirShaper de haute précision est utilisée pour l’ajustement final du réseau. Sans aucune entrée de conception, le réseau fournit des formes de drone spéciales qui correspondent partiellement aux formes que les ingénieurs utilisent dans la pratique depuis de nombreuses années (paramètres inversés / inversés, …). Le rapport portance / traînée a augmenté de plus de 4%. Étant donné que le nombre de Reynolds est très différent de celui des gros aéronefs, la solution de conception proposée l’est également. AIRBUS Neural Concepts est dédié à la prédiction des ondes de choc (simulation transsonique). Ces résultats ont été publiés dans NEURIPS. L’avenir de l’apprentissage en profondeur aérodynamique – aujourd’hui, pour les tâches répétitives spécifiques à l’industrie, il est avantageux de former le réseau afin que les modèles prédictifs puissent être utilisés pour analyser de nouvelles conceptions – à court terme, l’apprentissage automatique peut être utilisé pour créer des CFD existants plus rapide et plus précis – il n’est pas certain que cela fonctionnera pendant longtemps, mais il est possible de créer un réseau neuronal général couvrant diverses industries sans former le réseau. .