[論文レビュー] Airfoil GAN: Encoding and Synthesizing Airfoils for Aerodynamic Shape Optimization

Yuyang Wang, Kenji Shimada+1 more|arXiv (Cornell University)|Jan 12, 2021

Computer Graphics and Visualization Techniques参考文献 56被引用数 4

ひとこと要約

本論文は、UIUCデータベースの2次元翼型から、事前に定義された設計パラメータを用いずに、コン pact かつ分離可能な潜在表現を学習する自己教師あり深層生成モデル「Airfoil GAN」を提案する。モデルは翼型を潜在空間に符号化し、補間、外挿、またはランダムノイズサンプリングによって新規形状を生成し、遺伝的アルゴリズムを用いて優れた空力的性能を達成するように最適化する。これは、高い幾何的新規性と性能の競争力を併せ持つデータ駆動型翼型設計を実証するものである。

ABSTRACT

The current design of aerodynamic shapes, like airfoils, involves computationally intensive simulations to explore the possible design space. Usually, such design relies on the prior definition of design parameters and places restrictions on synthesizing novel shapes. In this work, we propose a data-driven shape encoding and generating method, which automatically learns representations from existing airfoils and uses the learned representations to generate new airfoils. The representations are then used in the optimization of synthesized airfoil shapes based on their aerodynamic performance. Our model is built upon VAEGAN, a neural network that combines Variational Autoencoder with Generative Adversarial Network and is trained by the gradient-based technique. Our model can (1) encode the existing airfoil into a latent vector and reconstruct the airfoil from that, (2) generate novel airfoils by randomly sampling the latent vectors and mapping the vectors to the airfoil coordinate domain, and (3) synthesize airfoils with desired aerodynamic properties by optimizing learned features via a genetic algorithm. Our experiments show that the learned features encode shape information thoroughly and comprehensively without predefined design parameters. By interpolating/extrapolating feature vectors or sampling from Gaussian noises, the model can automatically synthesize novel airfoil shapes, some of which possess competitive or even better aerodynamic properties comparing to airfoils used for model training purposes. By optimizing shapes on the learned latent domain via a genetic algorithm, synthesized airfoils can evolve to target aerodynamic properties. This demonstrates an efficient learning-based airfoil design framework, which encodes and optimizes the airfoil on the latent domain and synthesizes promising airfoil candidates for required aerodynamic performance.

研究の動機と目的

• 手動で定義された設計パラメータに依存せずに、翼型形状を符号化および合成するデータ駆動型手法の開発。
• 形状の一般化や新規性に制限を受ける従来のパラメータ化手法の限界を克服すること。
• 学習された潜在空間を用いて、望ましい空力的特性を持つ合成された翼型を最適化すること。
• 深層生成モデルが最小限の人的介入で現実的で高性能な翼型を生成できることを実証すること。

提案手法

• モデルは変分自己オートエンコーダ（VAE）と生成対抗ネットワーク（GAN）を統合したVAEGANアーキテクチャを用い、エンドツーエンド学習を実現する。
• エンコーダは翼型の座標データを低次元の潜在ベクトルにマップし、デコーダは潜在コードから翼型を再構築する。
• GANの識別器は、実際の翼型と生成された翼型を区別するように学習され、リアルなサンプルの合成を促進する。
• モデルは、ラベルや事前に定義された幾何的パラメータが一切不要な自己教師あり学習を、翼型の座標データのみで実施する。
• 潜在空間の補間やノイズサンプリングを用いて、新規の翼型幾何形状を生成する。
• 遺伝的アルゴリズムにより、目的の空力的性能（例：揚力対抗力比の向上）を持つ潜在ベクトルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 自己教師ありの深層生成モデルは、人為的に定義された設計パラメータがなくても、意味的で分離可能な翼型幾何形状の表現を学習できるか？
• RQ2 学習された潜在空間は、補間、外挿、またはランダムノイズサンプリングによって、新規で現実的な翼型形状を生成できるか？
• RQ3 進化的なアルゴリズムを用いて潜在空間を効果的に最適化し、学習済みデータセットの翼型よりも優れた空力的性能を持つ翼型を生成できるか？
• RQ4 潜在空間の個々の次元は、カーブ、厚さ、対称性といった特定の幾何的特徴とどのように対応しているか？

主な発見

• VAEGANモデルは、UIUCデータセット上で平均再構成誤差 0.0012456 を達成し、高い再構成精度を示した。
• 学習された潜在特徴に対するK-meansクラスタリングにより、明確な翼型形状ファミリーに対応する意味的なクラスタが明らかになり、意味的分離性が裏付けられた。
• 人為的事前知識がなくても、個々の潜在次元が高さ、カーブ、対称性、および結合された形状特性といった解釈可能な幾何的特徴を符号化していることが判明した。
• 補間および外挿された翼型は親翼型の特徴を継承・融合し、妥当で多様な新規幾何形状を生成した。
• ランダムなガウスノイズから生成された翼型は高い新規性を示し、標準的な翼型形態から大きく逸脱しており、未踏の設計空間の探索を示唆している。
• 潜在空間における遺伝的アルゴリズムの最適化により、学習済みデータセットの翼型よりも優れた空力的性能を持つ翼型が成功裏に進化した。具体的には、揚力対抗力比の向上と抗力係数の低減が達成された。