.png){kind=icon}
返回
Aerodynamic Design Optimisation Through Machine Learning—GCAG-VAEGAN
.png){kind=icon}
OA
AI
DOI：10.3390/computers15100661.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种几何约束、气动引导的变分自编码器生成对抗网络（GCAG-VAEGAN）框架，用于翼型设计，旨在提高生成翼型的气动可行性和数值稳定性。该架构使模型能够将气动感知融入生成过程，从而显著改善数值收敛性和几何质量。所提出的模型结合了几何约束的潜在学习与嵌入的气动反馈循环，以引导生成过程。判别器模块强制几何真实性，而物理预测器提供气动监督。这些组件共同能够持续生成光滑、几何稳定的翼型。与传统生成模型和NACA翼型的对比评估表明，在几何有效性、收敛行为方面取得了明确的定量改进，并减少了极端几何形状。GCAG-VAEGAN在XFOIL收敛率上优于基线GC-VAEGAN和常规NACA翼型。这些改进的收敛率伴随着生成与高性能翼型（如NACA 4412）相当的全新几何形状，尽管初始气动条件有限。总体而言，研究结果证明了生成过程中集成气动循环的有效性，不仅提高了形状可行性，还突显了加速概念气动设计探索的潜力。
Keyword:
aerodynamic design
optimisation
aerodynamics-guided machine learning
variational autoencoder
generative adversarial network
