[论文解读] A supervised neural network for drag prediction of arbitrary 2D shapes in low Reynolds number flows

Jonathan Viquerat, Elie Hachem|arXiv (Cornell University)|Jul 11, 2019

Model Reduction and Neural Networks参考文献 17被引用 9

一句话总结

该论文提出了一种基于12,000个随机生成的2D形状（使用贝塞尔曲线生成）进行训练的监督卷积神经网络（CNN），用于预测层流、低雷诺数流动（Re = 10）中的阻力。该网络表现出高精度，对真实世界形状（如NACA机翼和圆柱体）的相对误差低于3.06%，证明了使用合成且多样化的几何形状在计算流体动力学（CFD）代理建模中实现泛化能力的有效性。

ABSTRACT

Despite the significant breakthrough of neural networks in the last few years, their spreading in the field of computational fluid dynamics is very recent, and many applications remain to explore. In this paper, we explore the drag prediction capabilities of convolutional neural networks for laminar, low-Reynolds number flows past arbitrary 2D shapes. A set of random shapes exhibiting a rich variety of geometrical features is built using Bézier curves. The efficient labelling of the shapes is provided using an immersed method to solve a unified Eulerian formulation of the Navier-Stokes equation. The network is then trained and optimized on the obtained dataset, and its predictive efficiency assessed on several real-life shapes, including NACA airfoils.

研究动机与目标

• 开发一种适用于任意2D形状在低雷诺数层流中阻力预测的可泛化深度学习代理模型。
• 通过用训练好的神经网络替代计算成本高昂的纳维-斯托克斯方程求解，克服传统CFD的局限性。
• 评估是否可通过多样化合成的随机2D形状数据集，实现对真实世界几何形状（如NACA机翼）的准确泛化。
• 在保持预测性能的前提下，优化CNN架构以最小化误差和参数数量。
• 在合成形状和真实世界几何形状（包括圆柱体、方形和机翼）上对模型进行验证。

提出的方法

• 使用贝塞尔曲线生成随机2D形状，以确保几何多样性与可变性。
• 采用浸入式网格方法数值求解纳维-斯托克斯方程，为每种形状计算精确的阻力值，作为训练标签。
• 采用监督方式训练卷积神经网络（CNN），以形状几何（作为输入图像）和对应阻力值（作为目标）进行训练。
• 网络架构包含卷积块后接全连接头，通过网格搜索优化超参数（神经元数量和层数）。
• 训练过程采用随机梯度下降法，并结合早停和L2正则化以防止过拟合。
• 在未见过的形状（包括NACA机翼和标准几何形状）上评估泛化性能，相对误差基于数值计算的阻力进行计算。

实验结果

研究问题

• RQ1 监督CNN能否在未在训练中见过的任意2D形状上泛化阻力预测？
• RQ2 CNN的性能在不同几何特征（如尖锐边缘、对称性、长宽比）下如何变化？
• RQ3 在阻力估计中，最小化预测误差的最优CNN架构（神经元数量、全连接层深度）是什么？
• RQ4 在随机合成形状上训练的模型，能在多大程度上准确预测真实世界机翼轮廓（如NACA 4412或NACA 0018）的阻力？
• RQ5 输入表示方式的选择（如符号距离图或形状图像）如何影响模型的预测精度？

主要发现

• 优化后的CNN在横条形物体上的最大相对阻力误差为3.06%，所有测试形状的平均误差低于1.2%。
• 对于NACA机翼，最大相对误差为1.27%（NACA 4424），其余所有机翼的误差均低于1.0%。
• 在训练数据集中随机选取的形状上，模型预测的相对误差小于0.2%，证实了其出色的泛化能力。
• 表现最佳的架构采用一个含64个神经元的全连接层（q=1, n=64），参数量为296,865个，训练时间约为1535秒。
• 模型对非随机的真实世界形状泛化效果良好，表明多样化合成数据集可作为真实世界CFD应用的有力代理。
• 采用浸入式网格方法实现了整个数据集的高效且精确的标签标注，使大规模训练成为可能。