|
|
2025年7月3日组会交流
编辑：【admin】 加入时间：【2025-7-3】
|
汇报人 |
叶茂坤 |
|
汇报题目 |
一种基于注意力机制增强U-Net网络的动态风机尾流预报方法
|
|
汇报内容 |
1、简要说明了现有风机尾流预报方法所面临的挑战，提出使用CFD-AI混合方法进行风机尾流场的预报。
2、介绍了提出的一种新的专用于风机尾流场特征提取的简单空间注意力机制。
3、系统性汇报了所提出的框架在NREL 5MW风机尾流预报时的空间和时间精度验证。 |
|
汇报人 |
李敏 |
|
汇报题目 |
极端工况下气隙响应预报与运行工况下一体化响应分析
|
|
汇报内容 |
1、阅读了MLP预报时历值的相关文献，详细介绍了预报的方法、结果和输入输出，学习并总结了机器学习在预测时间序列数据的有效性和改进方法。
2、根据势流波浪时历曲线复现了极端工况下气隙响应时历并得到气隙响应统计值，使用威布尔分布拟合，对90%发生概率的极小值进行了预测。
3、完成了中南院十种运行工况下的浮式风机一体化计算和六自由度运动响应、系泊张力响应和气隙响应的规律分析。
4、在其他工作方面还完成了中南院的基础浮体改型报告，以及BeamDyn与OpenFoam耦合的开发工作。 |
|
汇报人 |
姚一晟 |
|
汇报题目 |
考虑结构特征的致动线改良方法
|
|
汇报内容 |
1、汇报了记及液舱项目结题的相关内容，并按要求提交剩余全部材料。
2、汇报了开平液舱项目内容，并在原有模型的基础上开展了四部分的优化，并形成相关报告提交给甲方。
3、汇报了个人课题进度，目前已完成在圆柱绕流算例上的初步尝试，有待于更新到风机整体计算的结构上去。 |
|
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、Presented the main methods applied in my study. I described using a deep ensemble approach to efficiently quantify predictive uncertainty with accuracy comparable to Bayesian neural networks. I also explained that I built my AGMF-Net framework based on an existing dual-adaptive multi-fidelity neural network, enhancing it by integrating a Deep Mixture-of-Experts sub-network to learn non-linear weighting across all features. This framework, combined with Bayesian Optimization using Log Expected Improvement, achieved faster convergence and more accurate identification of optimal points on benchmark functions such as Forrester and Branin. Notably, AGMF-Net optimized the lift-to-drag ratio by 41.6% within only five sample evaluations. |
|
汇报人 |
胡歆悦 |
|
汇报题目 |
涡核捕捉研究与JBC标模计算
|
|
汇报内容 |
1、介绍了近期阅读学习的有关3D涡核位置捕捉方法的论文——有关3D涡核位置的捕捉可以通过Q准则初步识别涡核结构，通过三维体素标记分离涡结构，最后通过二次曲面拟合确定亚体素精度的涡核位置，并通过python程序进行了某时刻截面涡核位置捕捉的初步尝试，同时介绍了JBC标模负责部分的最新进展。 |
|
汇报人 |
严森 |
|
汇报题目 |
船型优化方法学习及船首破波研究 |
|
汇报内容 |
1、汇报了基于近期所阅读的文献内容，总结了SBDO在船型优化领域的实际应用和未来方向；
2、基于CFD会议的内容，介绍了近期论文算例计算结果；
3、介绍了近期基于701所项目工作，对naoeFoam的学习，以及当前项目的计算结果。 |
|
|