|
|
2025年5月8日组会交流
编辑：【admin】 加入时间：【2025-5-8】
|
汇报人 |
叶茂坤 |
|
汇报题目 |
CMHL-机器学习方向阶段性汇报
|
|
汇报内容 |
1、汇报了机器学习方向目前的工作
2、风机尾流场建模
3、漂浮式风机运动响应预报
4、湍流场超分辨率重构
5、泊松方程求解加速（粒子法）
6、优化问题 |
|
汇报人 |
李敏 |
|
汇报题目 |
基于BeamDyn的非线性气动弹性求解模块开发
|
|
汇报内容 |
1、阅读了一体化耦合计算的相关文献，详细介绍了两种新型耦合方法，全面学习并总结了这些方法在多物理场协同计算中的独特优势
2、介绍了非线性气动弹性的开发流程和开发进度，目前已经形成了一个较为完整的非线性气动弹性求解模块
3、使用OpenFAST计算了部分工况，一方面与现有的数据结果进行对比，一方面为后续验证做准备工作
4、介绍了中南院项目方面的工作情况，计算了五种运行工况即不同风速条件下的一体化耦合求解，对计算结果进行了展示。 |
|
汇报人 |
姚一晟 |
|
汇报题目 |
中海油项目相关以及致动线改进方法
|
|
汇报内容 |
1、汇报了中海油记及项目相关工作，并对结果进行一定分析
2、汇报中海油开平项目及相关工作，并根据甲方要求开展一定的数值分析和动画结果展示。
3、汇报了课题的进展，目前初步实现基于神经网络模型的压力预测和流场预测，并且在这个基础上提出了对致动线改进的应用，目前处于解决问题和调试的阶段。 |
|
汇报人 |
胡歆悦 |
|
汇报题目 |
HOS方法研究与JBC标模计算 |
|
汇报内容 |
1、介绍了近期阅读学习的有关HOS方法的论文——基于 HOS 方法的 KCS 运动响应与波浪增阻数值研究
2、介绍了一些HOS方法的理论和粘势流耦合方法。
3、介绍了近期学习的动网格划分，并根据JBC船的stl文件进行了网格划分和加密
4、汇报了JBC标模计算的相关工作，介绍了JBC表模计算各部分要求和后处理流程。 |
|
汇报人 |
严森 |
|
汇报题目 |
船型优化
|
|
汇报内容 |
1、阅读了船型优化的相关文献，详细介绍了输入变量数量与船型优化目标的关系，全面学习并总结了以上内容
2、CFD会议论文内容做了初步的介绍，并展示了变形结果和样本空间，后续将继续对其进行推进研究
3、介绍了701项目方面的工作情况，完成了对模型尺度结果的后处理，对处理结果进行了展示。 |
|
汇报人 |
MAX |
|
汇报题目 |
Multi-fidelity DeepONet as a Surrogate Model for the Performance of Hydrofoil |
|
汇报内容 |
1. I began by introducing two research papers that inspired this study. The first paper by Iqbal et al. (2025) focused on hull form optimization for small fishing vessels, aiming to minimize total resistance and improve seakeeping performance using the Response Surface Method (RSM). This study emphasized that optimizing the hull form can significantly reduce total resistance and enhance vessel stability without multi-objective optimization. The second paper by Wilson et al. (2016) introduced Deep Kernel Learning, which combines the flexibility of kernel methods with the representation power of deep neural networks. This approach achieved scalable Gaussian Process (GP) regression with enhanced performance on various datasets.
2、I developed a Multi-fidelity DeepONet surrogate model for hydrofoil performance prediction. This model was tested using three benchmark functions: a single-variable function (Forrester function), a two-variable Branin function, and a four-variable function. My Multi-fidelity DeepONet employed a branch network to learn the residual between high-fidelity (CFD) and low-fidelity (XFOIL) data. The low-fidelity prediction was also used as an input to the DeepONet, improving high-fidelity learning. This dual approach enhanced accuracy while minimizing the need for high-fidelity data. |
|
|