Este repositorio contiene código para el modelo descrito en
Glaws, A., King, RN, Vijayakumar, G. y Ananthan, S. (2022). Redes neuronales reversibles para el diseño de perfiles aerodinámicos. Revista AIAA, 1-13.
El problema del diseño inverso del perfil aerodinámico, en el que un ingeniero especifica las características de rendimiento deseadas y busca una forma que satisfaga esos requisitos, es fundamental para la ingeniería aeroespacial. Estos flujos de trabajo de diseño tradicionalmente se basan en métodos CFD basados en adjuntos que son costosos desde el punto de vista computacional y solo se han demostrado en flujos de estado estacionario. Los enfoques basados en sustitutos pueden acelerar este proceso aprendiendo asignaciones directas económicas entre las formas de los perfiles aerodinámicos y los resultados de interés. Sin embargo, estos flujos de trabajo aún deben estar envueltos en algún proceso de diseño inverso basado en optimización o bayesiano. En este trabajo, proponemos aprovechar las herramientas emergentes de redes neuronales invertibles (INN) para permitir un diseño inverso rápido de formas de perfiles aerodinámicos. Los INN son modelos de aprendizaje profundo diseñados para tener un mapeo inverso bien definido que comparte parámetros del modelo entre los pases directo e inverso. Cuando se entrena adecuadamente, el modelo sustituto INN resultante es capaz de predecir hacia adelante cantidades aerodinámicas y estructurales para una forma de perfil determinada y recuperación inversa de formas de perfil con características aerodinámicas y estructurales específicas.
El modelo de red neuronal invertible (INN) se construye utilizando Python y TensorFlow. El código va acompañado de un archivo YML INNfoil_env.yml que se puede utilizar para configurar un entorno conda apropiado para ejecutar el código. El archivo main.py contiene un script de ejemplo para cargar datos, entrenar el modelo y ejecutar el proceso de inversión. El archivo INNfoil.py contiene el modelo INN con funcionalidad para ejecutar el modelo en direcciones directas e inversas. El directorio model contiene toda la pieza necesaria para cargar una versión previamente entrenada del INN.
Este trabajo fue escrito por el Laboratorio Nacional de Energía Renovable, operado por Alliance for Sustainable Energy, LLC, para el Departamento de Energía de EE. UU. (DOE) bajo el contrato número DE-AC36-08GO28308. Financiamiento proporcionado por [la oficina correspondiente del Departamento de Energía y la oficina del programa, por ejemplo, la Oficina de Eficiencia Energética y Energía Renovable del Departamento de Energía de EE. UU., Oficina de Tecnologías de Energía Solar (deletree los nombres completos de las oficinas; no utilice iniciales ni acrónimos)]. Las opiniones expresadas en el artículo no representan necesariamente las opiniones del DOE o del gobierno de los EE. UU. El gobierno de los EE. UU. conserva y el editor, al aceptar el artículo para su publicación, reconoce que el gobierno de los EE. UU. conserva una licencia mundial no exclusiva, pagada e irrevocable para publicar o reproducir la forma publicada de este trabajo, o permitir que otros lo hagan. para fines del gobierno de EE. UU.
