此存儲庫包含中描述的模型的程式碼
Glaws, A.、King, RN、Vijayakumar, G. 與 Ananthan, S. (2022)。用於翼型設計的可逆神經網路。 AIAA 雜誌，1-13。
翼型逆設計問題是航空航天工程的基礎，其中工程師指定所需的性能特徵並尋求滿足這些要求的形狀。這些設計工作流程傳統上依賴基於伴隨的 CFD 方法，這些方法的計算成本很高，並且僅在穩態流上進行了演示。基於代理的方法可以透過學習機翼形狀和感興趣的輸出之間的廉價前向映射來加速這一過程。然而，這些工作流程仍然必須包含在一些基於最佳化或貝葉斯的逆向設計過程中。在這項工作中，我們建議利用新興的可逆神經網路（INN）工具來實現翼型形狀的快速逆向設計。 INN 是深度學習模型，其架構具有明確定義的逆映射，可在正向傳遞和反向傳遞之間共享模型參數。經過適當的訓練後，產生的 INN 代理模型能夠對給定翼型形狀的空氣動力學和結構量進行正向預測，並能夠對具有指定空氣動力學和結構特性的翼型形狀進行反向恢復。
可逆神經網路 (INN) 模型是使用 Python 和 TensorFlow 建構的。程式碼附帶一個 YML 檔案INNfoil_env.yml ，可用來設定適當的 conda 環境來運行程式碼。 main.py檔案包含用於載入資料、訓練模型和執行反演過程的範例腳本。 INNfoil.py檔案包含 INN 模型，具有正向和反向運行模型的功能。 model目錄包含載入 INN 預訓練版本所需的所有部分。
這項工作由美國能源部 (DOE) 永續能源聯盟 (Alliance for Sustainable Energy, LLC) 營運的國家再生能源實驗室撰寫，合約編號為 DE-AC36-08GO28308。由[適用的能源部辦公室和專案辦公室，例如美國能源部能源效率和可再生能源辦公室太陽能技術辦公室（拼寫出完整的辦公室名稱；不要使用首字母縮寫詞/縮寫詞）]提供資金。文章中表達的觀點不一定代表能源部或美國政府的觀點。美國政府保留並且出版商透過接受該文章出版，承認美國政府保留非排他性的、已付費的、不可撤銷的全球許可來出版或複製本作品的已出版形式，或允許其他人這樣做，出於美國政府目的。
