.png){kind=icon}
返回
Physics-Regularized Generative Parameterization for Efficient Aerodynamic Shape Optimization
.png){kind=icon}
PRE
AI
DOI：10.2514/1.j066536.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
飞机设计涉及在极高维几何设计空间内的优化，给气动外形优化带来了根本性挑战。尽管几何滤波方法相比传统参数化方法改进了设计空间的紧凑性，但仍迫切需要在不牺牲设计质量的前提下进一步压缩设计空间。本研究引入了一种物理正则化的生成式参数化方法，通过整合数据驱动的气动建模与生成式学习，实现气动外形优化的紧凑空间。该方法首先通过基于深度学习的几何滤波构建模态设计空间，然后开发具有自适应采样的自演化气动建模框架，以高效引入物理正则化。提出一种基于优化的采样方法，在几何和性能约束下生成多样化的可行气动外形。基于该物理正则化数据库训练的生成模型为外形优化提供了低维隐空间。在混合翼身构型上的验证表明，所提方法在保持几何完整性的同时，相比当前几何滤波技术最高减少20%~40%的设计变量。因此，代理模型优化成本降低超过55%，快速数据驱动优化中的阻力预测误差从32.5%降至3.2%。这些结果证实，所提物理正则化的生成式参数化方法能够通过紧凑的几何空间有效满足各类飞机设计需求。
Keyword:
Aerodynamic Shape Optimization
Generative Shape Parameterization
Physics Regularization
Curse of Dimensionality
期刊
A
IF:
2.8
论文数:
389
被引数:
3.2W
机构
引用论文
Geometric Filtration Using Proper Orthogonal Decomposition for Aerodynamic Design Optimization.png)
AIAA Journal
AIAA JournalIF0
PREAI
分享收藏Aerodynamic Shape Optimization Investigations of the Common Research Model Wing Benchmark通用研究模型机翼基准的气动外形优化研究AIAA Journal
OAAI
AIAA JournalIF0
OAAI分享收藏分享收藏分享收藏On the influence of optimization algorithm and initial design on wing aerodynamic shape optimization优化算法和初始设计对机翼气动外形优化的影响
PREAI
分享收藏
查看更多内容