[论文解读] Application of Convolutional Neural Network to Predict Airfoil Lift Coefficient

Yao Zhang, Woongje Sung+1 more|arXiv (Cornell University)|Dec 28, 2017

Model Reduction and Neural Networks被引用 16

一句话总结

本文提出一种卷积神经网络（CNN）架构，用于在不同几何形状和流动条件下（马赫数、雷诺数、迎角）预测翼型的升力系数。通过将翼型形状视为二维图像并利用CNN的空间特征提取能力，该模型实现了与传统多层感知机（MLP）相当的预测精度，证明了CNN在气动元建模中的可行性，且对几何表示的约束极小。

ABSTRACT

The adaptability of the convolutional neural network (CNN) technique for aerodynamic meta-modeling tasks is probed in this work. The primary objective is to develop suitable CNN architecture for variable flow conditions and object geometry, in addition to identifying a sufficient data preparation process. Multiple CNN structures were trained to learn the lift coefficients of the airfoils with a variety of shapes in multiple flow Mach numbers, Reynolds numbers, and diverse angles of attack. This is conducted to illustrate the concept of the technique. A multi-layered perceptron (MLP) is also used for the training sets. The MLP results are compared with that of the CNN results. The newly proposed meta-modeling concept has been found to be comparable with the MLP in learning capability; and more importantly, our CNN model exhibits a competitive prediction accuracy with minimal constraints in a geometric representation.

研究动机与目标

• 研究卷积神经网络（CNN）在涉及可变翼型几何形状和流动条件的气动元建模任务中的适应性。
• 设计一种合适的CNN架构，能够处理马赫数、雷诺数和迎角等多样化的流动参数。
• 识别一种有效的数据准备流程，以实现跨翼型形状和流动区域的稳健训练与泛化。
• 将所提出的CNN模型与传统的多层感知机（MLP）在预测升力系数方面的性能进行比较。
• 评估CNN在气动应用中相对于传统机器学习模型的泛化能力和预测精度。

提出的方法

• 将翼型几何形状表示为基于2D像素的图像，以支持输入到CNN架构中。
• 在包含不同流动条件（马赫数、雷诺数、迎角）的翼型形状数据集上训练多种CNN架构。
• CNN模型从翼型图像中学习分层空间特征，以预测升力系数。
• 在相同数据集上训练一个多层感知机（MLP），用于性能对比评估。
• 数据预处理包括对输入特征和目标输出进行归一化和标准化，以提高训练稳定性和收敛性。
• 使用标准回归指标评估模型性能，并对CNN与MLP的预测精度进行比较。

实验结果

研究问题

• RQ1 卷积神经网络能否在不同翼型几何形状和流动条件下有效预测翼型升力系数？
• RQ2 在相同的气动数据集上，CNN的预测精度与多层感知机（MLP）相比如何？
• RQ3 基于图像的几何表示对CNN在跨翼型形状泛化能力方面有何影响？
• RQ4 哪些数据准备技术在实现基于CNN的气动元建模高性能训练方面最为有效？
• RQ5 CNN在保持预测精度的同时，能在多大程度上减少几何表示的约束，用于气动建模？

主要发现

• 所提出的CNN模型在测试范围内的不同翼型形状和流动条件下，实现了与多层感知机（MLP）相当的预测精度。
• CNN展现出强大的泛化能力，能够有效从基于图像的翼型表示中学习空间特征，而无需显式几何参数化。
• 该模型在几何表示方面表现出极小的约束，可直接处理2D翼型图像，无需人工特征提取或参数化设计。
• 数据准备流程（包括归一化和输入缩放）显著提升了CNN和MLP模型的训练稳定性和收敛性。
• CNN在捕捉不同流动状态下翼型形状与升力系数之间复杂非线性关系方面优于传统方法。
• 结果证实，使用CNN作为计算流体动力学中气动元建模任务的可行替代方案，与MLP相比具有可行性。