[论文解读] Diffusion Model Driven Airfoil Design: From Geometry Encoding to Practical Applications

Yingfan Geng, Jinhong Wang+1 more|arXiv (Cornell University)|Jan 20, 2026

Model Reduction and Neural Networks被引用 0

一句话总结

该论文系统地在三种几何编码（PCA、有序坐标、SDF）下，使用 EDM 框架对二维翼型逆设计的扩散模型进行评估，并在广泛流动条件下展示单目标/多目标设计及实际部署洞见。

ABSTRACT

Diffusion model, the state-of-the-art generative machine learning architecture, has shown promising results airfoil inverse designs. In this study, we implemented and trained a series of diffusion models on three different airfoil geometry data encoding formats -- principal component weights, ordered $x$-$y$ coordinates, and 2D signed distance functions (SDF) -- to generate 2D airfoils. By systematically comparing the performance of diffusion models trained on different data structures, it is found that for 2D airfoil design problems, the diffusion model performs the best when directly trained with coordinates. Training with latent space (PCA weights in this study) limits the model's design freedom, and decreases the training effectiveness. Although the 2D SDF data appears to result in the least performing model, it proves its feasibility in aerodynamic shape generation, paving the way towards 3D problems where SDF is more favored. This study also investigated deploying the diffusion model in practical engineering applications. A multi-target optimization procedure is proposed based on the stochastic nature of the diffusion process, which drastically simplifies the procedure compared to conventional methods. The extrapolation performance of the model is also investigated by tasking the model with both aerodynamic and flow condition labels that are extrapolated beyond the training set boundaries.

研究动机与目标

• 推动基于扩散的逆向设计，以扩展超越传统参数化的设计空间。
• 比较不同几何表示对二维翼型扩散模型性能的影响。
• 开发并测试一个能处理广义 Re、Ma、AOA 条件的条件扩散框架。
• 在现实运行约束下，通过单目标和多目标设计工作流评估实际部署。

提出的方法

• 在解释性扩散模型（EDM）主干中评估三种显式几何编码（PCA、有序坐标、SDF）。
• 用 Ma、Re、AOA 以及气动目标 C_L、C_D 作为输入，训练条件扩散模型。
• 在 EDM 框架内使用带 ResNet 块的 U-Net 作为去噪器，并采用受 EDM 启发的噪声调度的扩散采样过程。
• 评估生成可行性、对目标的 RMSE、以及对非收敛 CFD（XFOIL）结果的鲁棒性与设计试验效率。

实验结果

研究问题

• RQ1 在准确性与鲁棒性方面，PCA、有序坐标和 SDF 表征的扩散式二维翼型生成有何差异？
• RQ2 一个以 Ma、Re、AOA、C_L、C_D 为条件的扩散模型能否生成在给定公差内满足目标的可行翼型？
• RQ3 在针对单一或多气动目标时，表征选择对试验次数和可行性的影响如何？

主要发现

数据格式	C_L RMSE	C_D RMSE	平均试验次数	不可行设计比例
PCA	3.1%	8%	61	0.13%
Coordinates	0.15%	7.5%	56	0%
SDF	2.9%	10%	78	0.67%

• 直接坐标扩散在单目标生成中的性能优于隐空间扩散（PCA）和 SDF，在关键指标上表现良好。
• 三种表示均能产生平滑、可行的翼型几何形状且因扩散的随机性而具有多样化设计。
• 基于 PCA 的扩散在 C_L 方面达到 3.1% RMSE、C_D 方面 8% RMSE，平均 61 次试验，0.13% 不可行设计；坐标表示达到 0.15% 和 7.5%，56 次试验，0% 不可行；SDF 达到 2.9% 和 10%，78 次试验，0.67% 不可行。
• 该工作流通过重复的单目标生成和筛选来实现多目标设计，满足如失速角等次目标，能够高效地探索多种可行解。
• 该方法在广泛工作条件下表现出鲁棒性和可行性，并揭示了表示、精度与设计可行性之间的权衡。