该存储库包含中描述的模型的代码
Glaws, A.、King, RN、Vijayakumar, G. 和 Ananthan, S. (2022)。用于翼型设计的可逆神经网络。 AIAA 杂志，1-13。
翼型逆设计问题是航空航天工程的基础，其中工程师指定所需的性能特征并寻求满足这些要求的形状。这些设计工作流程传统上依赖于基于伴随的 CFD 方法，这些方法的计算成本很高，并且仅在稳态流上进行了演示。基于代理的方法可以通过学习机翼形状和感兴趣的输出之间的廉价前向映射来加速这一过程。然而，这些工作流程仍然必须包含在一些基于优化或贝叶斯的逆向设计过程中。在这项工作中，我们建议利用新兴的可逆神经网络（INN）工具来实现翼型形状的快速逆向设计。 INN 是深度学习模型，其架构具有明确定义的逆映射，可在正向传递和反向传递之间共享模型参数。经过适当的训练后，生成的 INN 代理模型能够对给定翼型形状的空气动力学和结构量进行正向预测，并能够对具有指定空气动力学和结构特性的翼型形状进行反向恢复。
可逆神经网络 (INN) 模型是使用 Python 和 TensorFlow 构建的。该代码附带一个 YML 文件INNfoil_env.yml ，可用于设置适当的 conda 环境来运行代码。 main.py文件包含用于加载数据、训练模型和运行反演过程的示例脚本。 INNfoil.py文件包含 INN 模型，具有正向和反向运行模型的功能。 model目录包含加载 INN 预训练版本所需的所有部分。
这项工作由美国能源部 (DOE) 可持续能源联盟 (Alliance for Sustainable Energy, LLC) 运营的国家可再生能源实验室撰写，合同号为 DE-AC36-08GO28308。由[适用的能源部办公室和项目办公室，例如美国能源部能源效率和可再生能源办公室太阳能技术办公室（拼写出完整的办公室名称；不要使用首字母缩写词/缩写词）]提供资金。文章中表达的观点并不一定代表能源部或美国政府的观点。美国政府保留并且出版商通过接受该文章出版，承认美国政府保留非排他性的、已付费的、不可撤销的全球许可来出版或复制本作品的已出版形式，或允许其他人这样做，出于美国政府目的。
