可逆神经网络工具有助于优化翼型设计

人类一直在开发工具或技术来帮助我们克服挑战。障碍鼓励人们创新。翼型设计问题——工程师致力于构建具有所需特性的形状，例如最大化升力，同时最小化阻力——提供了创新的机会。国家可再生能源实验室(NREL)的研究人员正在使用人工智能(AI)构建计算工具，帮助优化风力涡轮机叶片、飞机机翼和天然气涡轮机风扇叶片的翼型设计。

NREL计算科学研究人员AndrewGlaws表示：“风力涡轮机翼型和叶片设计是一个复杂的跨学科过程，必须在客户需求、政策法规和技术创新不断变化的环境中平衡各种目标。”改进翼型设计的方法。

“此外，设计迭代必须极快地进行，才能跟上市场的步伐。为了实现这一切，设计人员使用廉价、低保真度的工具来快速创建和评估新设计。我们的工作旨在注入更高保真度的见解(例如，非线性空气动力学效果)纳入设计过程，而不影响其紧迫的时间表。”

更高的保真度意味着对结果更有信心——建模中总会存在一些错误。低保真模型可以快速减少需要高保真细化的设计迭代次数，并且研究人员知道它们只能指示机翼的性能。从更准确的输入开始意味着研究人员可以进一步缩小需要额外高保真建模的设计数量。

当前的翼型设计方法需要优化

翼型设计过程可以描述为设置所需的属性和特性并使用优化方法对翼型进行逆向工程以获得该解决方案。然而，传统的优化方法非常昂贵，并且在研究人员优化单个翼型时需要对模型进行多次评估。此类技术可能会增加计算存储需求、减少计算节省或需要重复的翼型形状优化。

研究人员正在探索使用神经网络的深度学习模型来加速设计过程。这些网络在以人为本的任务上表现良好，例如自然语言处理到决策制定，此外，它们可能有助于识别优化的机翼形状。

针对翼型设计问题所实现的可逆神经网络架构的示意图说明了网络的每一层都构造为可逆块。图片来源：国家可再生能源实验室

INN可能为优化翼型设计开辟道路

NREL研究人员展示了使用可逆神经网络(INN)工具快速进行风力涡轮机翼型形状设计的有前途的方法。该方法最近在AIAA杂志上进行了详细介绍，与当前方法相比，速度提高了大约一百倍，并且满足风力涡轮机叶片中使用的翼型的性能特征。

“INN学习了机翼/叶片形状与其空气动力学和结构特性之间的可逆关系，这使得设计人员能够指定目标性能特征，然后快速探索与这些设计目标相对应的形状空间，”该研究的主要作者Glaws说。研究。“INN通过使用封闭式可逆块来实现这一目标，这些块以双向方式进行训练，结合了监督(标记)和无监督(未标记)损失函数。”

Glaws和团队评估了各种因素如何影响INN绩效。他们检查了不同的INN模型架构，以确定平衡INN的稳定性、性能和训练成本的最佳权衡。他们还评估了生成合理设计的无监督网络训练、对基线INN方法的网络修改，以及最重要的是，所提出的INN方法在生成具有所需特性的翼型设计方面的性能。

“我们发现INN能够生产一系列独特的翼型形状，这些形状与合理公差范围内的各种目标性能特征相关，”Glaws说。“然而，我们确实发现训练网络在获得准确的前向预测和确保合理的逆向设计之间取得平衡有点困难。存在多种其他生成式人工智能工具来执行类似的设计过程(例如GAN和VAE)，但这些工具“依赖多个网络来学习适当的关系。与INN的共享权重相比，这可能需要更多的训练数据，减慢训练过程，并导致大型、内存密集型模型。”

NREL为基于INN的设计框架创建了开源工具，并在GitHub上提供了它们。该团队还创建了一个接口，以便在NREL的WISDEM刀片设计框架内使用INN。Glaws表示，该团队渴望研究人员和设计师能够访问这些工具，提供反馈，并帮助探索团队如何进一步改进这些工具。

Glaws表示：“我们对INN作为一种生成式人工智能方法来加速风力涡轮机设计流程所带来的潜在影响感到兴奋。”“此外，我们对这项工作开辟的新研究方向的广度感到兴奋，包括有关改进2D/3D形状表示、经历侵蚀或结冰的叶片的稳健设计的问题，以及将这项工作扩展到设计的可能性其他组件，例如浮动海上平台。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！