Este repositório contém código para o modelo descrito em
Glaws, A., King, RN, Vijayakumar, G., & Ananthan, S. (2022). Redes Neurais Invertíveis para Projeto de Aerofólio. Jornal AIAA, 1-13.
O problema do projeto inverso do aerofólio, no qual um engenheiro especifica as características de desempenho desejadas e busca uma forma que satisfaça esses requisitos, é fundamental para a engenharia aeroespacial. Esses fluxos de trabalho de projeto tradicionalmente dependem de métodos de CFD baseados em adjuntos que são computacionalmente caros e só foram demonstrados em fluxos em estado estacionário. Abordagens baseadas em substitutos podem acelerar esse processo, aprendendo mapeamentos diretos baratos entre formatos de aerofólios e resultados de interesse. No entanto, esses fluxos de trabalho ainda devem ser envolvidos em algum processo de design inverso baseado em otimização ou baseado em Bayesiano. Neste trabalho, propomos aproveitar ferramentas emergentes de redes neurais invertíveis (DCI) para permitir o design inverso rápido de formatos de aerofólios. INNs são modelos de aprendizagem profunda arquitetados para ter um mapeamento inverso bem definido que compartilha parâmetros do modelo entre as passagens direta e inversa. Quando treinado adequadamente, o modelo substituto INN resultante é capaz de prever antecipadamente quantidades aerodinâmicas e estruturais para um determinado formato de aerofólio e recuperação inversa de formatos de aerofólio com características aerodinâmicas e estruturais especificadas.
O modelo de rede neural invertível (INN) é construído usando Python e TensorFlow. O código é acompanhado por um arquivo YML INNfoil_env.yml que pode ser usado para configurar um ambiente conda apropriado para executar o código. O arquivo main.py contém um script de exemplo para carregar dados, treinar o modelo e executar o processo de inversão. O arquivo INNfoil.py contém o modelo INN com funcionalidade para executar o modelo nas direções direta e inversa. O diretório model contém todas as peças necessárias para carregar uma versão pré-treinada do INN.
Este trabalho foi de autoria do Laboratório Nacional de Energia Renovável, operado pela Alliance for Sustainable Energy, LLC, para o Departamento de Energia dos EUA (DOE) sob o Contrato nº DE-AC36-08GO28308. Financiamento fornecido por [escritório aplicável do Departamento de Energia e escritório do programa, por exemplo, Escritório de Eficiência Energética e Energia Renovável do Departamento de Energia dos EUA, Escritório de Tecnologias de Energia Solar (escreva os nomes completos dos escritórios; não use inicialismos/acrônimos)]. As opiniões expressas no artigo não representam necessariamente as opiniões do DOE ou do governo dos EUA. O Governo dos EUA retém e o editor, ao aceitar o artigo para publicação, reconhece que o Governo dos EUA retém uma licença mundial não exclusiva, paga e irrevogável para publicar ou reproduzir a forma publicada deste trabalho, ou permitir que outros o façam, para fins do governo dos EUA.
