数据驱动的潮流能水轮机叶片翼型性能保真替代计算模型对比研究

在对翼型Bezier-PARSEC参数化软件FanOpt的应用方式改进后建立数据集,以翼型升阻比特性为目标,分别利用支持向量回归(SVR)、决策树、随机森林回归、全连接神经网络、一维卷积神经网络等机器学习模型进行拟合,训练模型比较拟合精度.结果表明,全连接神经网络、一维卷积神经网络作为替代计算模型在测试集上对升阻比的预测准确率可达97.86％,但相比于一维卷积神经网络,全连接神经网络在处理这种结构不复杂的数据集时更有优势.