NeuralFoil: An Airfoil Aerodynamics Analysis Tool Using Physics-Informed Machine Learning

要約

NeuralFoilは、Xfoilと同様の翼の迅速な空力分析のためのオープンソースPythonベースのツールです。
同等の精度を制御した後、Xfoil以上の8倍から1,000xの範囲のスピードアップが実証されます。
NeuralFoilは、以下を含む広範な入力空間で、グローバル量と局所量（リフト、ドラッグ、速度分布など）を計算します。
攻撃の360度の範囲。
Reynoldsは$ 10^2 $から$ 10^{10} $の数値です。
亜音速はトランスニック抗力上昇に流れます。
乱流パラメーターが変化します。
結果はXfoilの結果と密接に一致します。ドラッグの平均相対誤差は、単純なケースで0.37％であり、テストデータセットでは多数のストール後および移行性ケースで2.0％のままです。
NeuralFoilは、$ C^\ INFTY $ continuous Solutions、自動分化互換性、および非変換の問題なしに境界のある計算コストにより、勾配ベースの設計最適化を促進します。
ニューラルフォイルは、物理学に基づいた機械学習技術と分析モデルのハイブリッドです。
ここでは、物理情報には、モデルアーキテクチャに構造的に埋め込まれた対称性、ドメインの知識を使用した機能エンジニアリング、および既知の制限ケースへの外挿が保証されています。
また、この作業は、堅牢な設計最適化を可能にする代理モデルの不確実性定量化のための新しいアプローチを導入します。
この作業では、空気力学的制約と非エアロダイナミック制約の両方を含む実用的な翼設計最適化研究を含む、いくつかのケーススタディでニューラルフォイルの方法論とパフォーマンスについて説明します。
ここでは、NeuralFoilの最適化は、数秒以内にエキスパートが設計した翼とのパフォーマンスと形状がほぼ同じ翼を生成することができます。
これらの計算的に最適化された翼は、さらに専門家の洗練のための有用な出発点を提供します。

要約(オリジナル)

NeuralFoil is an open-source Python-based tool for rapid aerodynamics analysis of airfoils, similar in purpose to XFoil. Speedups ranging from 8x to 1,000x over XFoil are demonstrated, after controlling for equivalent accuracy. NeuralFoil computes both global and local quantities (lift, drag, velocity distribution, etc.) over a broad input space, including: an 18-dimensional space of airfoil shapes, possibly including control deflections; a 360 degree range of angles of attack; Reynolds numbers from $10^2$ to $10^{10}$; subsonic flows up to the transonic drag rise; and with varying turbulence parameters. Results match those of XFoil closely: the mean relative error of drag is 0.37% on simple cases, and remains as low as 2.0% on a test dataset with numerous post-stall and transitional cases. NeuralFoil facilitates gradient-based design optimization, due to its $C^\infty$-continuous solutions, automatic-differentiation-compatibility, and bounded computational cost without non-convergence issues. NeuralFoil is a hybrid of physics-informed machine learning techniques and analytical models. Here, physics information includes symmetries that are structurally embedded into the model architecture, feature engineering using domain knowledge, and guaranteed extrapolation to known limit cases. This work also introduces a new approach for surrogate model uncertainty quantification that enables robust design optimization. This work discusses the methodology and performance of NeuralFoil with several case studies, including a practical airfoil design optimization study including both aerodynamic and non-aerodynamic constraints. Here, NeuralFoil optimization is able to produce airfoils nearly identical in performance and shape to expert-designed airfoils within seconds; these computationally-optimized airfoils provide a useful starting point for further expert refinement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google