应用不同深度学习代理模型的灯笼型扰流柱通道换热性能分布预测方法比较

为提高对灯笼型扰流柱通道端壁面的换热分布预测能力,构建并比较了几种深度学习代理模型的预测性能。应用数据驱动的思想,建立了多项式响应面模型(RSM)、径向基函数模型(RBF)、径向基神经网络模型(RBFNN)、Kriging模型和总体平均近似模型(Ensemble)共5种传统代理模型以及5种基于生成对抗网络的深度学习代理模型,包括有残差网络的pix2pix模型、pix2pixHD模型、CycleGAN模型、StarGAN模型以及单一无残差网络的pix2pix模型,以扰流柱截面参数为设计变量,通过拉丁超立方抽样分别得到了样本数为50、25、12、6和3的训练集,并根据扰流柱尾迹高换热区分布特点,将训练样本数为50的数据集分为宽样本数据集和窄样本数据集,比较了不同代理模型对端壁面换热性能的预测精度、计算成本和泛化能力。结果表明:有残差网络的pix2pix模型相比于无残差网络的pix2pix模型,预测精度得到有效提高,在样本数为50的情况下,面平均值预测误差从0.68%降低到0.32%,平均相对误差从6.89%降低到6.41%,而且当训练样本数减少时,有残差网络的模型预测能力更加突出;传统代理模型的时间成本可忽略不计,但深度学习模型的单卡训练时间较长,且增加残差网络后的模型计算成本更高;当训练样本数为50时,传统代理模型和深度学习模型之间预测精度差异不大;当训练样本数逐渐减少时,深度学习代理模型展示出更高的预测精度和泛化能力;Kriging模型虽然泛化能力强,但是预测结果趋同;RSM模型、RBF模型和Ensemble模型泛化能力最差,训练样本数较少时,预测结果严重失真。可见在换热性能预测方面,深度学习模型在预测精度与泛化能力上均有显著优势,尤其适合于小样本问题,对提高灯笼型扰流柱截面设计效率具有参考价值。