[论文解读] Geodesic Convolutional Shape Optimization

Pierre Baqué, Edoardo Remelli+2 more|arXiv (Cornell University)|Feb 12, 2018

Advanced Numerical Analysis Techniques被引用 26

一句话总结

该论文提出了一种基于测地线卷积神经网络（GCNN）的代理模型，用于实现快速且精确的气动外形优化。通过使用多立方体映射对三维表面进行重网格化，该方法实现了高效的GPU加速推理与可微分优化，在二维机翼型上相比最先进高斯过程方法性能提升5%–20%，并实现了以往依赖传统参数化方法难以处理的复杂三维汽车外形的优化。

ABSTRACT

Aerodynamic shape optimization has many industrial applications. Existing methods, however, are so computationally demanding that typical engineering practices are to either simply try a limited number of hand-designed shapes or restrict oneself to shapes that can be parameterized using only few degrees of freedom. In this work, we introduce a new way to optimize complex shapes fast and accurately. To this end, we train Geodesic Convolutional Neural Networks to emulate a fluidynamics simulator. The key to making this approach practical is remeshing the original shape using a polycube map, which makes it possible to perform the computations on GPUs instead of CPUs. The neural net is then used to formulate an objective function that is differentiable with respect to the shape parameters, which can then be optimized using a gradient-based technique. This outperforms state- of-the-art methods by 5 to 20% for standard problems and, even more importantly, our approach applies to cases that previous methods cannot handle.

研究动机与目标

• 为克服基于CFD的传统气动外形优化所面临的计算瓶颈，后者在每次形状变更时都需要昂贵的重新模拟。
• 在不依赖低维、手工设计的参数化方法的前提下，实现对复杂3D形状的基于梯度的优化。
• 开发一种能够泛化至多样化形状几何形态（包括训练期间未见过的形状）的代理模型。
• 通过多立方体重网格化实现对任意网格的高效GPU计算，使基于深度学习的外形优化方法具备实用性。

提出的方法

• 训练测地线卷积神经网络（GCNN）以从3D表面网格预测气动载荷（如阻力、压力），使用CFD模拟（如Ansys Fluent）作为真实标签。
• 利用多立方体映射对原始形状进行重网格化，将不规则网格转换为适合GPU上高效GCNN运算的结构化网格。
• 通过反向传播经过训练好的GCNN，将目标函数（如阻力最小化）表述为顶点位置的可微函数。
• 在GCNN近似的目标函数上执行基于梯度的优化（如L-BFGS），以高效探索形状空间。
• 通过微调在少量真实世界形状（如汽车CAD模型）上的GCNN实现迁移学习，以提升泛化能力。
• 使用包含21个参数的形变函数fC生成多样化的训练形状，从而实现对未见几何形态的泛化。

实验结果

研究问题

• RQ1 在合成的、非汽车类形状上训练的GCNN代理模型，能否泛化至预测真实3D汽车几何外形的气动性能？
• RQ2 与传统的高斯过程（克里金）方法相比，基于GCNN的优化在准确性和收敛速度方面有多大的性能优势？
• RQ3 所提出的方法能否对具有高自由度的复杂3D形状进行优化，而这些形状对基于参数化的方法而言是不可行的？
• RQ4 多立方体重网格化在实现对任意3D网格的GPU加速GCNN推理方面有多高效，从而支持外形优化？
• RQ5 在少量真实示例上微调GCNN是否能显著提升目标几何形态上的性能，而无需从头开始重新训练？

主要发现

• 在合成测试形状（SYNT-TEST）上，GCNN方法实现了77.2%的回归准确率，优于标准CNN，且对分布偏移表现出强鲁棒性。
• 在真实汽车外形（CARS-TEST）上，GCNN在合成数据预训练后达到51.5%的准确率，经真实汽车示例微调后提升至70.3%。
• 在2D NACA机翼型优化中，GCNN方法相比最先进GP方法使阻力降低5%–20%，展现出更优的优化性能。
• 即使网络从未见过汽车外形，GCNN方法在仅50次模拟调用下即找到比GP方法更优的阻力最小化外形。
• 该方法成功对具有几何约束（如乘客舱和发动机舱）的3D汽车类外形进行了优化，在100次模拟后达到4.71的阻力系数，显著优于GP在线方法（100次调用时阻力系数为12.56）。
• 采用多立方体重网格化技术，使GCNN在GPU上实现高效推理，使该方法在传统网格卷积难以承受的计算速度下依然具备实用性。