[논문 리뷰] Airfoil GAN: Encoding and Synthesizing Airfoils for Aerodynamic Shape Optimization

Yuyang Wang, Kenji Shimada외 1명|arXiv (Cornell University)|2021. 01. 12.

Computer Graphics and Visualization Techniques참고 문헌 56인용 수 4

한 줄 요약

이 논문은 UIUC 데이터베이스의 2차원 날개단면에서 정의된 설계 파라미터 없이 자기학습형 딥 생성 모델인 Airfoil GAN을 제안한다. 이 모델은 VAE-GAN 기반으로, 날개단면의 압축되고 분리된 잠재 표현을 학습한다. 모델은 날개단면을 잠재공간으로 인코딩하고, 보간, 외삽 또는 임의의 노이즈 샘플링을 통해 새로운 형상을 생성하며, 유전 알고리즘을 사용해 우수한 항공역학적 성능을 갖는 형상을 최적화한다. 이는 높은 기하학적 신선도와 경쟁력 있는 성능을 갖는 데이터 기반 날개단면 설계를 보여준다.

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.

연구 동기 및 목표

• 수동으로 정의된 설계 파라미터에 의존하지 않고 날개단면 형상을 인코딩하고 합성하는 데이터 기반 방법을 개발하는 것.
• 형상 일반화와 신선도를 제한하는 전통적 매개변수화 기법의 한계를 극복하는 것.
• 학습된 잠재공간을 활용해 합성된 날개단면을 목표 항공역학적 성능에 맞게 최적화하는 것.
• 딥 생성 모델이 최소한의 인간 간섭으로도 현실적이고 높은 성능을 갖는 날개단면을 생성할 수 있음을 입증하는 것.

제안 방법

• 모델는 변동형 오토인코더(VAE)와 생성적 적대적 네트워크(GAN) 요소를 통합한 VAEGAN 아키텍처를 사용하여 엔드 투 엔드 학습을 수행한다.
• 에코더는 날개단면 좌표 데이터를 저차원의 잠재 벡터로 매핑하고, 디코더는 잠재 코드에서 날개단면을 재구성한다.
• GAN의 판별기는 실제 날개단면과 생성된 날개단면을 구별하도록 훈련되어, 현실적인 샘플 생성을 유도한다.
• 모델는 레이블이나 사전 정의된 기하학적 파라미터 없이, 날개단면 좌표 데이터만을 사용해 자기학습 방식으로 훈련된다.
• 잠재공간 내 보간 및 노이즈 샘플링을 통해 새로운 날개단면 기하형상을 생성한다.
• 유전 알고리즘이 잠재 벡터를 최적화하여 목표 항공역학적 성능(예: 향상된 양력-저항비)을 갖는 날개단면을 도출한다.

실험 결과

연구 질문

• RQ1 자기학습형 딥 생성 모델은 인간이 정의한 설계 파라미터 없이도 날개단면 기하학에 의미 있고 분리된 표현을 학습할 수 있는가?
• RQ2 학습된 잠재공간이 보간, 외삽 또는 임의의 노이즈 샘플링을 통해 새로운 실재감 있는 날개단면 형상을 생성할 수 있는가?
• RQ3 진화 알고리즘을 사용해 잠재공간을 효과적으로 최적화하여 훈련 데이터 세트의 날개단면보다 뛰어난 항공역학적 성능을 갖는 날개단면을 생성할 수 있는가?
• RQ4 잠재공간의 개별 차원은 캄버, 두께, 대칭성과 같은 특정 기하학적 특징과 어떻게 대응하는가?

주요 결과

• VAEGAN 모델은 UIUC 데이터셋에서 평균 재구성 오차 0.0012456를 기록해 높은 재구성 정확도를 달성했다.
• 학습된 잠재 특징에 대한 K-평균 클러스터링 분석은 서로 다른 날개단면 형상 유형에 대응하는 의미 있는 클러스터를 드러내어 의미론적 분리가 이루어졌음을 시사한다.
• 인간의 사전 지식 없이도 개별 잠재 차원이 높이, 캄버, 대칭성 및 결합된 형상 특징과 같은 해석 가능한 기하학적 특징을 인코딩하고 있음을 확인했다.
• 보간 및 외삽된 날개단면은 부모 날개단면의 특징을 이어받고 융합하여 타당하고 다양한 새로운 기하형상을 생성한다.
• 임의의 가우시안 노이즈에서 생성된 날개단면은 높은 신선도를 보이며 기존 표준 날개단면 형상에서 벗어나, 새로운 설계 공간 탐색을 시사한다.
• 잠재공간 내에서의 유전 알고리즘 최적화가 훈련 데이터 세트의 날개단면보다 뛰어난 항공역학적 성능을 갖는 날개단면을 성공적으로 도출했으며, 이는 향상된 양력-저항비와 낮은 항력 계수를 포함한다.