Data-driven inverse airfoil design using class shape transformation parameterization

doi:10.1177/09544100261451547

Data-driven inverse airfoil design using class shape transformation parameterization

2026-05-01

0

PRE

AI

DOI：10.1177/09544100261451547

原文链接

原文求助

摘要

En 中文

反翼型设计旨在识别满足指定气动性能目标的几何形状。本研究提出了一种基于数据驱动的逆向建模框架，该框架利用升力系数（C-L）、阻力系数（C-D）、俯仰力矩系数（C-m）、攻角（AOA）和雷诺数（R-e）等关键输入参数预测翼型几何形状。翼型形状采用类形状变换（CST）系数表示，仅需少量参数即可准确描述上、下表面，提供紧凑描述。一个全连接前馈人工神经网络（ANN）在包含多种具有不同几何和气动特性的NACA翼型的组合数据集上进行训练。气动数据通过JavaFoil/XFOIL模拟生成，相应的CST系数通过曲线拟合导出。该模型在插值训练案例和未见过翼型NACA 0021及NACA 23012的外推预测上进行了验证。此外，采用NACA 0012的风洞数据进行了实验验证，展示了模型从实际性能输入中重建几何的能力。评估包括平均绝对误差（MAE）、均方根误差（RMSE）以及通过显式弯线分析和基于CST的形状重建实现的几何保真度。结果表明，ANN模型能够可靠地推断与目标气动条件一致的CST定义几何形状。所展示的准确性支持将ANN模型用于快速翼型综合和早期逆向设计。

Keyword:

inverse airfoil design

ANN

CST

aerodynamic shape prediction

machine learning

Data-driven inverse airfoil design using class shape transformation parameterization

摘要

期刊

机构

引用论文