超临界翼型的物理可解释特征学习与反设计
流体动力学
2022-07-29 v1
摘要
机器学习模型已展现出学习复杂模式并作出预测的卓越能力。在流体动力学的高维非线性问题中，数据表示往往极大影响机器学习算法的性能与可解释性。随着机器学习在流体动力学研究中应用的增多，对物理可解释模型的需求持续增长。本文提出一种基于变分自编码器的特征学习算法，能够将物理特征赋予变分自编码器的若干潜变量。此外，从理论上证明了其余潜变量与物理特征相互独立。所提算法经训练后可在其潜变量中纳入激波特征，用于超临界压力分布的重构。并将重构精度与物理可解释性同其他变分自编码器进行比较。随后，将该算法用于超临界翼型的反设计，能够基于物理特征而非完整压力分布生成翼型几何形状。其还展现出在不改变其他特征的前提下操控翼型特定压力分布特征的能力。
引用
@article{arxiv.2204.07815,
title = {Physically Interpretable Feature Learning and Inverse Design of Supercritical Airfoils},
author = {Runze Li and Yufei Zhang and Haixin Chen},
journal= {arXiv preprint arXiv:2204.07815},
year = {2022}
}