Данная работа посвящена исследованию возможностей применения различных методов машинного обучения (МО), в том числе искусственных нейронных сетей, в специфике прогнозирования характеристик аэродинамического профиля при дозвуковом обтекании. Задачи, которые решались в ходе исследования: 1. Проработка литературных источников, освещающих вопросы практического применения методов МО для предсказания характеристик аэродинамических течений, использования методов оптимизации формы крыловых профилей, применения нейронных сетей для построения регрессионных функций. 2. Изучение и описание физической постановки задачи – дозвуковое обтекание плоского крылового профиля при варьировании определяющих параметров. Описание реализованных численных методов и особенностей использования пакета XFOIL. Проведение массовых параметрических расчетов с целью получения обширного табличного датасета для последующего применения методов МО. 3. Изучение и описание методики применения подходов МО для построения регрессионных функций с целью предсказания коэффициентов сопротивления и подъемной силы, а также крутящего момента для аэродинамических профилей на основании входных данных. 4. Проведение обучения выбранных моделей МО на имеющихся наборах данных с варьированием гиперпараметров и оценкой качества, построение регрессионной функции для прогнозирования характеристик обтекания крылового профиля. В результате был получен содержательный опыт формирования базы данных посредством многопараметрических расчетов аэродинамических профилей с использованием программного пакета XFOIL, а также применения с сопоставлением различных методов МО. Написанные программы и результаты работы могут быть использованы в будущих исследованиях для расширения обобщающей способности моделей МО на более сложные виды течений при рассмотрении обтекания крыловых профилей различной геометрии.

The given work is devoted to research of the possibilities of application of various machine learning (ML) methods, including artificial neural network, in the specifics of predicting the characteristics of the airfoil in subsonic flow. The objectives that have been accomplished during the research: 1. Review of literature sources covering the issues of practical application of ML methods for predicting the characteristics of aerodynamic flows, the use of methods for optimizing the shape of airfoils, the use of neural networks for the construction of regression functions. 2. Research and description of the physical formulation of the problem - subsonic flow of an airfoil at variation of determining parameters. Description of the realized numerical methods and peculiarities of using the XFOIL package. Carrying out mass parametric calculations to obtain an extensive tabular data set for subsequent application of ML methods. 3. Research and description of the methodology of applying ML approaches to construct regression functions to predict drag and lift coefficients and torque for airfoils based on input data. 4. Training of selected ML models on available data sets with variation of hyperparameters and quality assessment, construction of regression function for prediction of airfoil flow characteristics. As a result of this work, meaningful experience has been gained in database generation, through multi-parameter calculations of airfoils using XFOIL software, as well as application with comparison of different ML approaches, including artificial neural network. The scripts written and the results of the present work can be used in future investigations to extend the generalization ability of ML models to more complex types of flow when considering the flow of airfoils of different geometries.

• ВВЕДЕНИЕ
• 1 ОБЗОР ЛИТЕРАТУРНЫХ ИСТОЧНИКОВ
• 2 ОБЗОР ИНСТРУМЕНТАРИЯ, ВХОДЯЩЕГО В АРХИТЕКТУРУ ПРОЕКТА
• 3 ПОСТАНОВКА ЗАДАЧИ
• 4 ФОРМИРОВАНИЕ ДАТАСЕТА
• 5 МЕТОДИКА ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
• 6 РЕЗУЛЬТАТЫ МАШИННОГО ОБУЧЕНИЯ
• ЗАКЛЮЧЕНИЕ
• СПИСОК ЛИТЕРАТУРЫ
• ПРИЛОЖЕНИЕ 1. ГЕНЕРАТОР ДАТАСЕТА
• ПРИЛОЖЕНИЕ 2. СКРИПТ ОБЪЕДИНЕНИЯ ДАННЫХ
• ПРИЛОЖЕНИЕ 3. КОД АРХИТЕКТУРЫ ЛИНЕЙНОЙ РЕГРЕССИОННОЙ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ
• ПРИЛОЖЕНИЕ 4. КОД АРХИТЕКТУРЫ МОДЕЛИ СЛУЧАЙНОГО ЛЕСА
• ПРИЛОЖЕНИЕ 5. КОД АРХИТЕКТУРЫ МОДЕЛИ ГРАДИЕНТНОГО БУСТИНГА
• ПРИЛОЖЕНИЕ 6. КОД АРХИТЕКТУРЫ ИСКУСТВЕННОЙ НЕЙРОННОЙ СЕТИ