# 報告內容
## Introduction
- 研究動機幹話
- 大概介紹 DNN(帶入研究動機的部分)

## Machine Learning Method
### 介紹
- supervised/ unsupervised learning
- focus on the supervised learning method
- DNN 詳細介紹
### shear stress distribution prediction model
This method mainly includes three
parts: data preparation, training, and validation test. Fig. 1 illustrates the whole procedure of the pressure distribution prediction
problem.

### DNN
- 介紹 DNN
- 使用的架構，DNN 怎麼運作，==稍微==提一下會使用到的超參數
- layer 及 layer 間的運作及相關公式，ReLU 也可以稍微介紹
- Generation of training and validation samples
- prepatation of the airfoilsis
- 目的 : 將每個翼剖面的資料大小及 CFD 模擬出的結果資料大小控制為相同大小
- 翼剖面的來源
- 使用插值法來將每個翼剖面外型的點的數量固定為相同數目(102個點)
- 將原先的翼剖面分成上下表面
- 保留翼剖面最前端的點並將剩餘的部分根據翼剖面弦長比例 1:8:1 分成三個part 每個 part的點數目分別為 15:20:15 + 最尖端的點共51個點，上下表面總共102個點

- aerodynamic simulation (demo 用 0012)
- Mesh
- 條件 (mach,Re, a)
- 獨立測試

- Input & Target shape
- Input 的大小為 206，包含了上表面點的分布(x:51 + y:51)及下表面(102)再加上x, y 兩個方向的速度分量
- Target 的大小為 102，包含了上下表面每個點上的 shear stress 分布 (51 + 51)

# 進度
## boundary layer
- inlet/exit 自由流 (freestreamPressure/Velocity)
- top/bottom 自由流
- aerofoil
- Pressure : zeroGradient
- Velocity : noslip
- front/back : empty
2-D case

# 獨立測試
- 因為使用 $k - \omega$，所以需要確保 yPlus < 5
在該條件下，獨立測試結果
在網格數多於10萬後，模擬的結果沒有明顯變化

# 網格
機翼附近網格分布

# 資料庫規劃

# 模擬結果
- 使用 fx84w097 翼剖面做 demo
- 測試集中的數據來測試模型的表現，目前的結果是 MSE 0.0017, MAPE 129%

# 神經網路
- DNNs