このリポジトリには、で説明されているモデルのコードが含まれています。
A. グラウズ、RN キング、G. ヴィジャヤクマール、S. アナンタン (2022)。翼型設計のための可逆ニューラル ネットワーク。 AIAA ジャーナル、1-13。
エンジニアが望ましい性能特性を指定し、その要件を満たす形状を探す翼形逆設計の問題は、航空宇宙工学の基礎です。これらの設計ワークフローは従来、計算コストが高く、定常状態のフローでのみ実証されてきたアジョイントベースの CFD 手法に依存しています。サロゲートベースのアプローチは、翼形形状と対象の出力の間の安価な順マッピングを学習することで、このプロセスを加速できます。ただし、これらのワークフローは、最適化またはベイズベースの逆設計プロセスでラップする必要があります。この研究では、新たな可逆ニューラル ネットワーク (INN) ツールを活用して、翼型形状の迅速な逆設計を可能にすることを提案します。 INN は、順方向パスと逆方向パスの間でモデル パラメーターを共有する、明確に定義された逆マッピングを持つように設計された深層学習モデルです。適切にトレーニングすると、結果として得られる INN サロゲート モデルは、特定の翼形形状の空力量と構造量を前方予測し、指定された空力特性と構造特性を持つ翼形を逆回復することができます。
可逆ニューラル ネットワーク (INN) モデルは、Python と TensorFlow を使用して構築されます。コードには、コードを実行するための適切な conda 環境をセットアップするために使用できる YML ファイルINNfoil_env.ymlが付属しています。 main.pyファイルには、データのロード、モデルのトレーニング、反転プロセスの実行のためのサンプル スクリプトが含まれています。 INNfoil.pyファイルには、モデルを順方向および逆方向に実行する機能を備えた INN モデルが含まれています。 modelディレクトリには、INN の事前トレーニング済みバージョンをロードするために必要なすべての部分が含まれています。
この著作物は、契約番号 DE-AC36-08GO28308 に基づき、米国エネルギー省 (DOE) のアライアンス・フォー・サステナブル・エネルギー LLC が運営する国立再生可能エネルギー研究所によって執筆されました。 [該当するエネルギー省の事務所およびプログラム事務所、例: 米国エネルギー省エネルギー効率および再生可能エネルギー局、太陽エネルギー技術局 (正式な事務所名を明記し、頭文字/頭字語は使用しないでください)] によって提供される資金。この記事で表明された見解は、必ずしも DOE または米国政府の見解を表すものではありません。米国政府は、記事の出版を受け入れることにより、米国政府がこの著作物の出版された形式を出版または複製するための非独占的で、支払済みの、取消不能な世界規模のライセンスを保持していることを認め、または他者にそのような行為を許可することを認めます。米国政府の目的のため。
