Dieses Repository enthält Code für das in beschriebene Modell
Glaws, A., King, RN, Vijayakumar, G. und Ananthan, S. (2022). Invertierbare neuronale Netze für das Tragflächendesign. AIAA Journal, 1-13.
Das Problem des inversen Tragflächendesigns, bei dem ein Ingenieur gewünschte Leistungsmerkmale spezifiziert und eine Form sucht, die diese Anforderungen erfüllt, ist für die Luft- und Raumfahrttechnik von grundlegender Bedeutung. Diese Design-Workflows basieren traditionell auf adjungierten CFD-Methoden, die rechenintensiv sind und nur für stationäre Strömungen demonstriert wurden. Ersatzbasierte Ansätze können diesen Prozess beschleunigen, indem sie kostengünstige Vorwärtsabbildungen zwischen Tragflächenformen und interessierenden Ausgaben erlernen. Diese Arbeitsabläufe müssen jedoch noch in einen Optimierungs- oder Bayesian-basierten inversen Designprozess eingebettet sein. In dieser Arbeit schlagen wir vor, neue Werkzeuge für invertierbare neuronale Netzwerke (INN) zu nutzen, um ein schnelles inverses Design von Tragflächenformen zu ermöglichen. INNs sind Deep-Learning-Modelle, die so konzipiert sind, dass sie über eine genau definierte inverse Abbildung verfügen, die Modellparameter zwischen den Vorwärts- und Rückwärtsdurchgängen teilt. Bei entsprechendem Training ist das resultierende INN-Ersatzmodell in der Lage, aerodynamische und strukturelle Größen für eine gegebene Tragflächenform vorwärts vorherzusagen und Tragflächenformen mit bestimmten aerodynamischen und strukturellen Eigenschaften invers wiederherzustellen.
Das Modell des invertierbaren neuronalen Netzwerks (INN) wird mit Python und TensorFlow erstellt. Dem Code liegt eine YML-Datei INNfoil_env.yml bei, mit der eine geeignete Conda-Umgebung zum Ausführen des Codes eingerichtet werden kann. Die Datei main.py enthält ein Beispielskript zum Laden von Daten, zum Trainieren des Modells und zum Ausführen des Inversionsprozesses. Die Datei INNfoil.py enthält das INN-Modell mit Funktionen zum Ausführen des Modells in Vorwärts- und Rückwärtsrichtung. Das model enthält alle Teile, die zum Laden einer vorab trainierten Version des INN erforderlich sind.
Diese Arbeit wurde vom National Renewable Energy Laboratory verfasst, das von Alliance for Sustainable Energy, LLC, für das US-Energieministerium (DOE) unter der Vertragsnummer DE-AC36-08GO28308 betrieben wird. Finanzierung bereitgestellt durch [zutreffendes Büro und Programmbüro des Energieministeriums, z. B. Büro für Energieeffizienz und erneuerbare Energien des US-Energieministeriums, Büro für Solarenergietechnologien (vollständige Büronamen buchstabieren; keine Anfangsbuchstaben/Akronyme verwenden)]. Die in dem Artikel geäußerten Ansichten spiegeln nicht unbedingt die Ansichten des DOE oder der US-Regierung wider. Die US-Regierung behält sich vor, und der Herausgeber erkennt mit der Annahme des Artikels zur Veröffentlichung an, dass die US-Regierung eine nicht ausschließliche, bezahlte, unwiderrufliche, weltweite Lizenz behält, die veröffentlichte Form dieses Werks zu veröffentlichen oder zu reproduzieren oder anderen dies zu gestatten. für Zwecke der US-Regierung.
