Ce référentiel contient le code du modèle décrit dans
Glaws, A., King, RN, Vijayakumar, G. et Ananthan, S. (2022). Réseaux de neurones inversibles pour la conception de profils aérodynamiques. Journal AIAA, 1-13.
Le problème de la conception inversée du profil aérodynamique, dans lequel un ingénieur spécifie les caractéristiques de performance souhaitées et recherche une forme qui répond à ces exigences, est fondamental pour l'ingénierie aérospatiale. Ces workflows de conception reposent traditionnellement sur des méthodes CFD basées sur l'adjoint qui sont coûteuses en calcul et n'ont été démontrées que sur des écoulements en régime permanent. Les approches basées sur des substitutions peuvent accélérer ce processus en apprenant des mappages directs bon marché entre les formes de profil aérodynamique et les résultats d'intérêt. Cependant, ces flux de travail doivent toujours être intégrés dans un processus de conception inverse basé sur l'optimisation ou le bayésien. Dans ce travail, nous proposons d'exploiter les outils émergents de réseaux neuronaux inversibles (INN) pour permettre une conception inverse rapide des formes de profil aérodynamique. Les DCI sont des modèles d'apprentissage en profondeur conçus pour avoir un mappage inverse bien défini qui partage les paramètres du modèle entre les passes avant et arrière. Lorsqu'il est formé de manière appropriée, le modèle de substitution INN résultant est capable de prédire vers l'avant des quantités aérodynamiques et structurelles pour une forme de profil aérodynamique donnée et de récupérer inversement les formes de profil aérodynamique avec des caractéristiques aérodynamiques et structurelles spécifiées.
Le modèle de réseau neuronal inversible (INN) est construit à l'aide de Python et TensorFlow. Le code est accompagné d'un fichier YML INNfoil_env.yml qui peut être utilisé pour configurer un environnement conda approprié pour exécuter le code. Le fichier main.py contient un exemple de script pour charger les données, entraîner le modèle et exécuter le processus d'inversion. Le fichier INNfoil.py contient le modèle INN avec des fonctionnalités permettant d'exécuter le modèle dans les directions avant et arrière. Le répertoire model contient tous les éléments nécessaires pour charger une version pré-entraînée de l'INN.
Ce travail a été rédigé par le Laboratoire national des énergies renouvelables, exploité par Alliance for Sustainable Energy, LLC, pour le Département américain de l'énergie (DOE) sous le contrat n° DE-AC36-08GO28308. Financement fourni par [le bureau concerné du ministère de l'Énergie et le bureau de programme, par exemple, l'Office de l'efficacité énergétique et des technologies de l'énergie solaire du Département de l'énergie des États-Unis (épeler les noms complets des bureaux ; ne pas utiliser d'initiales/acronymes)]. Les opinions exprimées dans l’article ne représentent pas nécessairement celles du DOE ou du gouvernement américain. Le gouvernement américain conserve et l'éditeur, en acceptant la publication de l'article, reconnaît que le gouvernement américain conserve une licence mondiale non exclusive, payante, irrévocable et mondiale pour publier ou reproduire la forme publiée de cet ouvrage, ou permettre à d'autres de le faire, à des fins du gouvernement américain.
