ترجمه فارسی مقاله به سوی مدل‌سازی جایگزین آیرودینامیکی مبتنی بر خودرمزگذارهای متغیر β

چکیده

Surrogate models combining dimensionality reduction and regression techniques are essential to reduce the need for costly high-fidelity CFD data. New approaches using $β$-Variational Autoencoder ($β$-VAE) architectures have shown promise in obtaining high-quality low-dimensional representations of high-dimensional flow data while enabling physical interpretation of their latent spaces. We propose a surrogate model based on latent space regression to predict pressure distributions on a transonic wing given the flight conditions: Mach number and angle of attack. The $β$-VAE model, enhanced with Principal Component Analysis (PCA), maps high-dimensional data to a low-dimensional latent space, showing a direct correlation with flight conditions. Regularization through $β$ requires careful tuning to improve the overall performance, while PCA pre-processing aids in constructing an effective latent space, improving autoencoder training and performance. Gaussian Process Regression is used to predict latent space variables from flight conditions, showing robust behavior independent of $β$, and the decoder reconstructs the high-dimensional pressure field data. This pipeline provides insight into unexplored flight conditions. Additionally, a fine-tuning process of the decoder further refines the model, reducing dependency on $β$ and enhancing accuracy. The structured latent space, robust regression performance, and significant improvements from fine-tuning collectively create a highly accurate and efficient surrogate model. Our methodology demonstrates the effectiveness of $β$-VAEs for aerodynamic surrogate modeling, offering a rapid, cost-effective, and reliable alternative for aerodynamic data prediction.

چکیده به فارسی (ترجمه ماشینی)

مدل های جانشین ترکیب کاهش ابعاد و تکنیک های رگرسیون برای کاهش نیاز به داده های CFD با وفاداری پر هزینه ضروری هستند.رویکردهای جدید با استفاده از معماریهای AutoEncoder ($ β $ $) $ β $ ($ β $ -VAE) نوید را در به دست آوردن بازنمایی های با کیفیت پایین با کیفیت بالا از داده های جریان با ابعاد بالا نشان داده اند ، در حالی که امکان تفسیر فیزیکی از فضاهای نهفته خود را دارند.ما یک مدل جانشین را بر اساس رگرسیون فضایی نهفته پیشنهاد می کنیم تا با توجه به شرایط پرواز ، توزیع فشار را بر روی بال ترانسونیک پیش بینی کنیم: تعداد ماچ و زاویه حمله.مدل $ β $ -VAE ، با تجزیه و تحلیل مؤلفه اصلی (PCA) ، داده های با ابعاد بالا را به یک فضای نهفته با ابعاد پایین تبدیل می کند ، و همبستگی مستقیمی با شرایط پرواز نشان می دهد.تنظیم مجدد از طریق $ β $ برای بهبود عملکرد کلی نیاز به تنظیم دقیق دارد ، در حالی که PCA در ساخت یک فضای نهفته مؤثر ، بهبود آموزش و عملکرد AutoEncoder کمک می کند.رگرسیون فرآیند گاوسی برای پیش بینی متغیرهای فضای نهفته از شرایط پرواز استفاده می شود ، و رفتار قوی مستقل از β $ را نشان می دهد ، و رمزگشایی داده های میدان فشار با ابعاد بالا را بازسازی می کند.این خط لوله بینش در مورد شرایط پرواز ناشناخته را فراهم می کند.علاوه بر این ، یک فرآیند تنظیم دقیق از رمزگشایی بیشتر مدل را اصلاح می کند و وابستگی به $ β $ و افزایش دقت را کاهش می دهد.فضای نهفته ساختاری ، عملکرد رگرسیون قوی و پیشرفت های چشمگیر از تنظیم دقیق به طور جمعی یک مدل جانشین بسیار دقیق و کارآمد ایجاد می کند.روش ما اثربخشی $ β $-VAE را برای مدل سازی جانشین آیرودینامیکی نشان می دهد و یک جایگزین سریع ، مقرون به صرفه و قابل اعتماد برای پیش بینی داده های آیرودینامیکی ارائه می دهد.