空气动力学逆向设计中的优化与生成
机器学习
2026-05-29 v3
摘要
空气动力学逆向设计可提高车辆和飞机的效率，但实际的设计 rarely 仅仅追求性能：车辆的精细化必须在保留与设计语言、品牌识别和用户感知相关的视觉特征的同时减少阻力。传统的 CFD 驱动优化方法虽然准确，但对于广泛的探索速度较慢；而当前的基于学习的方法仍主要以性能为导向，且缺乏一种将优化、生成与视觉一致性紧密链接的协同目标。本文将视觉保留和空气动力学改进表述为一个概率目标。与参考形状或视图一致的设计定义为一个已学习的视觉设计分布，并由空气动力学成本对其进行重新加权。随后，优化通过改进初始几何图形，使其趋向于低成本、高概率的设计；而引导的生成则从同一输入视图中采样更低成本的 3D 候选方案。OpenFOAM 评估表明，视觉特征保留的优化相对于初始车辆可实现 5.8% 的阻力降低，同时将最佳有效飞机阻力-升力目标降低 28.8%，且保持输入视觉特征。对于基于视图的生成，引导方法可将车辆阻力降低 3.0%，并将飞机阻力-升力目标降低 68.6%，同时保持视觉一致性。风洞测试使用 3D 打印的车辆原型提供了独立的湍流级检查，并通过控制分析解释了这些结果背后的分布机制。本工作为视觉特征保留的空气动力学精炼以及早期阶段的 3D 设计探索提供了概率基础和实用路径。
引用
@article{arxiv.2602.03582,
title = {Optimization and Generation in Aerodynamics Inverse Design},
author = {Huaguan Chen and Ning Lin and Luxi Chen and Jiacheng Cen and Rui Zhang and Wenbing Huang and Chongxuan Li and Hao Sun},
journal= {arXiv preprint arXiv:2602.03582},
year = {2026}
}