ترجمه فارسی مقاله پیش بینی سریع آیرودینامیکی بال های جارو شده از طریق یادگیری انتقال تعبیه شده فیزیک

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Rapid aerodynamic prediction of swept wings via physics-embedded transfer learning
عنوان مقاله به فارسی پیش بینی سریع آیرودینامیکی بال های جارو شده از طریق یادگیری انتقال تعبیه شده فیزیک
نویسندگان Yunjia Yang, Runze Li, Yufei Zhang, Lu Lu, Haixin Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 42
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Fluid Dynamics,Machine Learning,دینامیک سیال , یادگیری ماشین ,
توضیحات Submitted 19 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 19 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Machine learning-based models provide a promising way to rapidly acquire transonic swept wing flow fields but suffer from large computational costs in establishing training datasets. Here, we propose a physics-embedded transfer learning framework to efficiently train the model by leveraging the idea that a three-dimensional flow field around wings can be analyzed with two-dimensional flow fields around cross-sectional airfoils. An airfoil aerodynamics prediction model is pretrained with airfoil samples. Then, an airfoil-to-wing transfer model is fine-tuned with a few wing samples to predict three-dimensional flow fields based on two-dimensional results on each spanwise cross section. Sweep theory is embedded when determining the corresponding airfoil geometry and operating conditions, and to obtain the sectional airfoil lift coefficient, which is one of the operating conditions, the low-fidelity vortex lattice method and data-driven methods are proposed and evaluated. Compared to a nontransfer model, introducing the pretrained model reduces the error by 30%, while introducing sweep theory further reduces the error by 9%. When reducing the dataset size, less than half of the wing training samples are need to reach the same error level as the nontransfer framework, which makes establishing the model much easier.

چکیده به فارسی (ترجمه ماشینی)

مدل های مبتنی بر یادگیری ماشین ، روشی امیدوارکننده برای به دست آوردن سریع زمینه های جریان بالگرد ترانسونیک را فراهم می کنند اما در ایجاد مجموعه داده های آموزشی از هزینه های محاسباتی زیادی رنج می برند.در اینجا ، ما یک چارچوب یادگیری انتقال فیزیک را پیشنهاد می کنیم تا با استفاده از این ایده که یک میدان جریان سه بعدی در اطراف بالها را می توان با زمینه های جریان دو بعدی در اطراف هوایی مقطعی تجزیه و تحلیل کرد ، به طور مؤثر مدل را آموزش دهیم.یک مدل پیش بینی آیرودینامیک هوایی با نمونه های هوایی از پیش تعیین می شود.سپس ، یک مدل انتقال هوا به بال با چند نمونه بال تنظیم شده است تا زمینه های جریان سه بعدی را بر اساس نتایج دو بعدی در هر مقطع دهانه پیش بینی کند.نظریه رفت و برگشت هنگام تعیین هندسه هوایی مربوطه و شرایط عملیاتی تعبیه شده است و برای به دست آوردن ضریب آسانسور ایرفویل مقطعی ، که یکی از شرایط عملیاتی است ، روش شبکه گرداب کم وفاداری و روشهای داده محور پیشنهاد و ارزیابی می شود.در مقایسه با یک مدل غیرمستقیم ، معرفی مدل از پیش تعیین شده ، خطا را 30 ٪ کاهش می دهد ، در حالی که معرفی تئوری رفت و برگشت باعث کاهش بیشتر خطا 9 ٪ می شود.هنگام کاهش اندازه مجموعه داده ها ، کمتر از نیمی از نمونه های آموزش بال نیاز به رسیدن به همان سطح خطا با چارچوب Nontransfer دارند ، که ایجاد مدل را بسیار ساده تر می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.