.png){kind=icon}
返回
Generative method for aerodynamic optimization based on classifier-free guided denoising diffusion probabilistic model
.png){kind=icon}
PRE
AI
DOI：10.1007/s00158-025-04111-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，直接利用神经网络模型生成满足指定性能目标的最优气动外形逆设计方法已引起广泛关注。然而，当前基于生成对抗网络的翼型逆设计方法在生成和训练过程中精度不足，且难以揭示指定性能指标间的耦合关系。为解决这些问题，本文创新性地提出了一种基于无分类器引导去噪扩散概率模型（CDDPM）的翼型逆设计框架。首先，CDDPM能够有效捕捉特定性能指标间的相关性，并通过调整无分类器引导系数，根据指定的压力特征生成相应的上、下表面压力系数分布。随后，这些分布通过映射模型精确转化为翼型几何形状。以经典跨声速翼型为例的实验结果表明，基于CDDPM的逆设计能够生成多样化的压力系数分布，丰富了设计结果的多样性。与当前基于Wasserstein生成对抗网络的方法相比，CDDPM在翼型生成任务中精度提升了34.4%。此外，本文结合全局优化算法与主动学习策略，提出了一种重新调整各性能指标值的方法，旨在为逆设计框架提供合理的性能指标组合（即满足气动约束条件）。该工作不仅适用于翼型设计，还具备应用于针对选定性能指标的一般产品零部件优化过程的能力。
Keyword:
Denoising diffusion probabilistic models
Deep learning
Generative models
Inverse design
期刊
IF:
4
论文数:
4.9K
被引数:
1.7W
机构
引用论文
Synthesizing Designs With Interpart Dependencies Using Hierarchical Generative Adversarial Networks
PREAI
分享收藏
Benchmark aerodynamic shape optimization with the POD-based CST airfoil parametric method基于POD的CST翼型参数化方法的基准气动外形优化
PREAI
分享收藏A generative design method of airfoil based on conditional variational autoencoder基于条件变分自编码器的翼型生成设计方法.png)
IF0
PREAI
分享收藏Data-driven design exploration method using conditional variational autoencoder for airfoil design基于条件变分自动编码器的翼型设计数据驱动设计探索方法
PREAI
分享收藏Airfoil shape optimization using genetic algorithm coupled deep neural networksPHYSICS OF FLUIDS
PHYSICS OF FLUIDSIF4.3
PREAI
分享收藏
查看更多内容