[论文解读] 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 4

一句话总结

本文提出 Airfoil GAN，一种基于 VAEGAN 的自监督深度生成模型，无需预定义设计参数，即可从 UIUC 数据库中学习 2D 翼型的紧凑且解耦的潜在表征。该模型将翼型编码至潜在空间，通过插值、外推或随机噪声采样生成新形状，并利用遗传算法对这些形状进行优化，以实现优异的气动性能，展示了具有高度几何新颖性和性能竞争力的数据驱动翼型设计。

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.

研究动机与目标

• 开发一种无需依赖人工定义设计参数的数据驱动方法，用于翼型形状的编码与合成。
• 克服传统参数化技术在形状泛化和新颖性方面受到的限制。
• 利用学习到的潜在空间对合成的翼型进行优化，以实现期望的气动性能。
• 证明深度生成模型可在极少人工干预下生成真实且高性能的翼型。

提出的方法

• 该模型采用结合变分自编码器（VAE）和生成对抗网络（GAN）组件的 VAEGAN 架构，实现端到端学习。
• 编码器将翼型坐标数据映射为低维潜在向量，解码器则从潜在代码重建翼型。
• 对抗生成网络的判别器经过训练，可区分真实翼型与生成翼型，从而促进生成样本的真实性。
• 模型以自监督方式训练，仅使用翼型坐标数据，无需标签或预定义的几何参数。
• 通过潜在空间插值和噪声采样生成新颖的翼型几何形状。
• 利用遗传算法对潜在向量进行优化，以演化出具有目标气动性能（如提升升阻比）的翼型。

实验结果

研究问题

• RQ1 自监督深度生成模型是否能在无任何人工作设计参数的情况下，学习到有意义且解耦的翼型几何表征？
• RQ2 学习到的潜在空间是否可通过插值、外推或随机噪声采样生成新颖且真实的翼型形状？
• RQ3 能否有效利用进化算法对潜在空间进行优化，以生成气动性能优于训练集翼型的翼型？
• RQ4 潜在空间的各个维度如何对应于特定几何特征（如中弧线、厚度或对称性）？

主要发现

• 该模型在 UIUC 数据集上实现了高重建精度，VAEGAN 模型的平均重建误差为 0.0012456。
• 对学习到的潜在特征进行 K-means 聚类，揭示了与不同翼型形状族相对应的有意义聚类，表明存在语义解耦。
• 即使缺乏人类先验知识，潜在空间的各个维度仍编码了可解释的几何特征，如高度、中弧线、对称性以及耦合的形状特性。
• 插值和外推生成的翼型继承并融合了父翼型的特征，生成了合理且多样的新几何形状。
• 从随机高斯噪声生成的翼型表现出高度新颖性，且偏离标准翼型形态，表明探索了未被探索的设计空间。
• 在潜在空间中利用遗传算法优化成功演化出气动性能优于训练集翼型的翼型，包括提升的升阻比和更低的阻力系数。