基于深度神经网络的小样本船舶流场预测

摘要

实验与数值模拟的流场结果是船舶几何结构设计的重要参考依据,近年来深度学习的发展则为其提供了新的思路。为缓解试验过程与CFD计算成本高、耗时长的问题,本文基于Pix2Pix框架搭建船舶二维物理场的预测模型,利用迁移学习解决小样本问题,改善23个高精度样本的预测精度,有效预测各方向压力和速度分量的二维分布,并结合插值算法构建三维点云。本文将船身附近物理量梯度的结构相似度(SSIM)作为二维评价指标,将基于N-S方程的4个物理指标作为三维评价指标。结果表明,SSIM平均值变化范围为0.47~0.88,三维指标的平均绝对误差及均方根误差均小于3.5%。相较于实验与数值计算,本文提出的模型具有快速、便捷等优点,可为优化船身几何设计提供一定参考。