基于无分类器引导去噪扩散概率模型的空气动力学优化生成方法
机器学习
2025-03-11 v1 人工智能
摘要
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的逆向设计方法引起了广泛关注。然而，当前基于生成对抗网络的最先进翼型逆向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之间的耦合关系。为了解决这些问题，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）的翼型逆向设计框架。首先，CDDPM 能够有效捕捉特定性能指标之间的相关性，并通过调整无分类器引导系数，基于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被精确转化为翼型几何形状。以经典跨音速翼型为例的实验结果表明，基于 CDDPM 的逆向设计能够生成多种压力系数分布，丰富了设计结果的多样性。与当前最先进的 Wasserstein 生成对抗网络方法相比，CDDPM 在翼型生成任务上的精度提升了 33.6%。此外，结合主动学习策略，提出了一种基于全局优化算法重新调整各项性能指标值的实用方法，旨在为逆向设计框架提供合理的性能指标值组合。这项工作不仅适用于翼型设计，还具备应用于以选定性能指标为目标的通用产品零部件优化过程的能力。
引用
@article{arxiv.2503.07056,
title = {Generative method for aerodynamic optimization based on classifier-free guided denoising diffusion probabilistic model},
author = {Shisong Deng and Qiang Zhang and Zhengyang Cai},
journal= {arXiv preprint arXiv:2503.07056},
year = {2025}
}
备注
Under Review