이 저장소에는 다음에 설명된 모델에 대한 코드가 포함되어 있습니다.
Glaws, A., King, RN, Vijayakumar, G., & Ananthan, S. (2022). 에어포일 설계를 위한 가역 신경망. AIAA 저널, 1-13.
엔지니어가 원하는 성능 특성을 지정하고 이러한 요구 사항을 충족하는 형상을 찾는 익형 역설계 문제는 항공우주 공학의 기본입니다. 이러한 설계 작업 흐름은 전통적으로 계산 비용이 많이 들고 정상 상태 흐름에서만 입증된 인접 기반 CFD 방법에 의존합니다. 대리 기반 접근 방식은 익형 모양과 관심 출력 간의 저렴한 전방 매핑을 학습하여 이 프로세스를 가속화할 수 있습니다. 그러나 이러한 워크플로는 여전히 일부 최적화 또는 베이지안 기반 역설계 프로세스로 래핑되어야 합니다. 이 작업에서 우리는 새로운 INN(역전 신경망) 도구를 활용하여 익형 모양의 신속한 역설계를 가능하게 할 것을 제안합니다. INN은 정방향 패스와 역방향 패스 간에 모델 매개변수를 공유하는 잘 정의된 역 매핑을 갖도록 설계된 딥 러닝 모델입니다. 적절하게 훈련되면 생성된 INN 대리 모델은 주어진 익형 모양에 대한 공기역학적 및 구조적 양을 전방 예측하고 지정된 공기역학적 및 구조적 특성을 가진 익형 모양의 역복구를 가능하게 합니다.
INN(가역 신경망) 모델은 Python과 TensorFlow를 사용하여 구축되었습니다. 코드에는 코드 실행을 위한 적절한 conda 환경을 설정하는 데 사용할 수 있는 YML 파일 INNfoil_env.yml 이 함께 제공됩니다. main.py 파일에는 데이터 로드, 모델 교육 및 반전 프로세스 실행을 위한 예제 스크립트가 포함되어 있습니다. INNfoil.py 파일에는 정방향 및 역방향으로 모델을 실행하는 기능을 갖춘 INN 모델이 포함되어 있습니다. model 디렉터리에는 사전 훈련된 INN 버전을 로드하는 데 필요한 모든 부분이 포함되어 있습니다.
이 작업은 계약 번호 DE-AC36-08GO28308에 따라 미국 에너지부(DOE)를 위해 Alliance for Sustainable Energy, LLC가 운영하는 국립 재생 에너지 연구소에서 저술한 것입니다. [해당 에너지부 사무소 및 프로그램 사무소(예: 미국 에너지부 에너지 효율성 사무소 및 재생 에너지 태양 에너지 기술 사무소(전체 사무소 이름을 철자하고 약어/두문자는 사용하지 않음))]에서 제공하는 자금입니다. 기사에 표현된 견해가 반드시 DOE나 미국 정부의 견해를 대변하는 것은 아닙니다. 미국 정부는 출판을 위해 기사를 수락함으로써 미국 정부가 이 저작물의 출판된 형태를 출판 또는 복제하거나 다른 사람들이 그렇게 하도록 허용할 수 있는 비독점적이고 비용을 지불했으며 취소할 수 없는 전 세계적 라이센스를 보유하고 있음을 인정합니다. 미국 정부의 목적으로.
