Fast flow-field prediction using deep neural networks for solving fluid-structure interaction problems
Project goals
Fluid-structure interaction (FSI) problems that occur in various industries including aeronautics, turbomachinery and nuclear energy tend to be very complex and their simulation extremely demanding. The innovative idea in the proposed project is to overcome high computational costs by applying deep learning to solve FSI problems. To be more specific, the idea is to substitute a traditional CFD solver with a deep neural network. Deep neural networks are just starting to be popular for fast flow-field predictions and have been successfully used for a narrow range of problems, however, never have they been applied to predict fluid flows with a moving boundary, not to mention complex FSI problems. The target of the proposed project is to develop and implement a deep-neural-network architecture capable of predicting flow fields with a moving boundary and couple it with a structure solver to obtain a powerful FSI framework. The developed neural-network architecture and FSI solver will be benchmarked on problems of external aerodynamics in subsonic and transonic regimes.
Keywords
Computational fluid dynamicsflowcompressible fluiddeep learningneural networksfluid-structure interaction
Public support
Provider
Czech Science Foundation
Programme
Standard projects
Call for proposals
SGA0202100005
Main participants
Západočeská univerzita v Plzni / Fakulta aplikovaných věd
Contest type
VS - Public tender
Contract ID
21-31457S
Alternative language
Project name in Czech
Použití neuronových sítí pro rychlou predikci proudového pole v úlohách interakce tekutiny s tělesem
Annotation in Czech
V inženýrské praxi jako je letectví, jaderná energetika nebo návrh parních turbín je velmi často potřebné řešit úlohy interakce tekutiny s obtékaným tělesem. Modelování a numerické řešení těchto problémů je obvykle velmi složité a výpočtově náročné. Záměrem tohoto projektu je navržení inovativního přístupu k řešení této problematiky, který spočívá v podstatném snížení výpočtových nároků pomocí metod strojového učení. Hlavní myšlenkou tohoto přístupu je nahradit klasický CFD řešič neuronovou sítí. Využití neuronových sítí pro predikci proudového pole je v současné době velice aktuální, avšak neuronové sítě dosud nebyly aplikovány ani pro úlohy proudění s pohyblivou hranicí, ani pro úlohy interakce tekutiny s tělesem. Cílem tohoto projektu je vyvinout takovou neuronovou síť, která bude schopna predikovat proudové pole v úlohách s pohyblivou hranicí, a následně bude implementována pro řešení interakce tekutiny s tělesem. Vyvinutý řešič na bázi neuronové sítě bude validován na úlohách subsonického a transsonického proudění ve vnější aerodynamice a na úlohách z oblasti aeroelasticity.
Scientific branches
Solution timeline
Realization period - beginning
Jan 1, 2021
Realization period - end
Dec 31, 2023
Project status
—
Latest support payment
Mar 6, 2023
Data delivery to CEP
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data delivery code
CEP24-GA0-GA-R
Data delivery date
May 21, 2024
Finance
Total approved costs
4,190 thou. CZK
Public financial support
4,190 thou. CZK
Other public sources
0 thou. CZK
Non public and foreign sources
0 thou. CZK
Basic information
Recognised costs
4 190 CZK thou.
Public support
4 190 CZK thou.
100%
Provider
Czech Science Foundation
OECD FORD
Applied mechanics
Solution period
01. 01. 2021 - 31. 12. 2023