ترجمه فارسی مقاله یک تکنیک تولید مجموعه داده های سیستماتیک برای آیرودینامیک خودروهای مبتنی بر داده اعمال می شود

چکیده

A novel strategy for generating datasets is developed within the context of drag prediction for automotive geometries using neural networks. A primary challenge in this space is constructing a training databse of sufficient size and diversity. Our method relies on a small number of starting data points, and provides a recipe to interpolate systematically between them, generating an arbitrary number of samples at the desired quality. We test this strategy using a realistic automotive geometry, and demonstrate that convolutional neural networks perform exceedingly well at predicting drag coefficients and surface pressures. Promising results are obtained in testing extrapolation performance. Our method can be applied to other problems of aerodynamic shape optimization.

چکیده به فارسی (ترجمه ماشینی)

یک استراتژی جدید برای تولید مجموعه داده ها در چارچوب پیش بینی درگ برای هندسه های خودرو با استفاده از شبکه های عصبی تهیه شده است.یک چالش اصلی در این فضا ساخت یک پایگاه داده آموزشی با اندازه و تنوع کافی است.روش ما به تعداد کمی از نقاط شروع داده متکی است و دستور العمل برای درون یابی به طور سیستماتیک بین آنها را فراهم می کند و تعداد خودسرانه ای از نمونه ها را با کیفیت مورد نظر ایجاد می کند.ما این استراتژی را با استفاده از یک هندسه اتومبیل واقع گرایانه آزمایش می کنیم و نشان می دهیم که شبکه های عصبی حلقوی در پیش بینی ضرایب درگ و فشارهای سطح عملکرد بسیار خوبی دارند.نتایج امیدوارکننده در آزمایش عملکرد برون یابی بدست می آید.روش ما می تواند برای سایر مشکلات بهینه سازی شکل آیرودینامیکی اعمال شود.