用于超临界翼型预测与逆向设计的网格无关解码器

网格无关模型在处理非结构化空间数据和融入偏微分方程方面具有优势。近年来，它们被广泛研究用于构建物理信息神经网络，但需要逐案例训练且训练时间长。另一方面，气动外形设计需要快速预测与设计工具，而数据驱动的网格基模型已取得良好性能。因此，本文提出了一种数据驱动的网格无关解码器，结合了数据驱动模型的快速预测能力和网格无关模型的灵活性。该模型称为隐式解码器，由两个子网络组成：ShapeNet和HyperNet。ShapeNet基于隐式神经表示，HyperNet是一个简单的神经网络。隐式解码器被训练用于超临界翼型的快速预测。比较了不同激活函数，并提出了空间约束以提高模型的可解释性和泛化能力。然后，将隐式解码器与网格基编码器结合构建生成模型，用于具有指定物理特征的超临界翼型逆向设计。