Benchmarking machine learning models for predicting aerofoil performance

要約

このペーパーでは、風力および潮のエネルギー産業で使用されている航空のパフォーマンスを分析するための従来の方法の代替品として、ニューラルネットワーク（NNS）の能力を調査します。
特徴的なリフトとドラッグ係数の評価に使用される現在の方法には、計算液ダイナミクス（CFD）、薄いエーロフォイル、およびパネルの方法が含まれます。すべての計算速度と結果の精度との間の顔のトレードオフが含まれており、そのようなNNSは、迅速かつ正確に実行されることを目的として代替として調査されています。
そのため、このペーパーでは、米国の国立再生可能エネルギー研究所（NREL）が発行したWindai_benchデータセットのベンチマークを提供します。
ベンチマークの方法論を検証するために、airfrans {\ tt arxiv：2212.07564v3}データセットは、出発点と比較ポイントの両方として使用されます。
この研究では、25角度の攻撃（4 $^\ circ $ $ $^\ circ $）で範囲の航空で訓練された4つのニューラルネットワーク（MLP、ポイントネット、グラフセージ、ガネット）を評価します。
流体の流れを予測し、パネル法を介してリフト係数（$ c_l $）を計算します。
グラフセージとガネットは、テスト段階でうまく機能しましたが、検証中はパフォーマンスが低くなりました。
したがって、このペーパーでは、PointNetとMLPがテストされた2つの強力なモデルとして特定されていますが、MLPの結果は流体の動作を予測するのがより一般的に正しい一方で、ポイントネットの結果は$ C_L $を計算するためのより正確な結果を提供します。

要約(オリジナル)

This paper investigates the capability of Neural Networks (NNs) as alternatives to the traditional methods to analyse the performance of aerofoils used in the wind and tidal energy industry. The current methods used to assess the characteristic lift and drag coefficients include Computational Fluid Dynamics (CFD), thin aerofoil and panel methods, all face trade-offs between computational speed and the accuracy of the results and as such NNs have been investigated as an alternative with the aim that it would perform both quickly and accurately. As such, this paper provides a benchmark for the windAI_bench dataset published by the National Renewable Energy Laboratory (NREL) in the USA. In order to validate the methodology of the benchmarking, the AirfRANS {\tt arXiv:2212.07564v3} dataset is used as both a starting point and a point of comparison. This study evaluates four neural networks (MLP, PointNet, GraphSAGE, GUNet) trained on a range aerofoils at 25 angles of attack (4$^\circ$ to 20$^\circ$). to predict fluid flow and calculate lift coefficients ($C_L$) via the panel method. GraphSAGE and GUNet performed well during the testing phase, but underperformed during validation. Accordingly, this paper has identified PointNet and MLP as the two strongest models tested, however whilst the results from MLP are more commonly correct for predicting the behaviour of the fluid, the results from PointNet provide the more accurate results for calculating $C_L$.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google