物理引导的GAN训练以提升翼型设计合成精度
机器学习
2023-08-22 v1
摘要
生成对抗网络（GAN）近来被用于机械形状的design synthesis。GAN有时会输出物理上不合理的形状。例如，当训练GAN模型输出表示所需气动性能的翼型形状时，性能值会出现显著误差。这是因为GAN模型仅考虑数据而未考虑数据背后的气动方程。本文提出对GAN模型进行物理引导训练，以引导模型学习物理有效性。物理有效性使用位于神经网络模型之外的通用软件计算。此类通用软件无法用于物理信息神经网络框架，因为物理方程必须在神经网络模型内部实现。此外，生成模型的一个局限是输出数据类似于训练数据，无法生成全新的形状。然而，由于所提模型由物理模型引导且不使用训练数据集，其可生成全新的形状。数值实验表明，所提模型大幅提高了精度。而且，输出形状不同于训练数据集中的形状，但仍满足物理有效性，克服了现有GAN模型的局限。
引用
@article{arxiv.2308.10038,
title = {Physics-guided training of GAN to improve accuracy in airfoil design synthesis},
author = {Kazunari Wada and Katsuyuki Suzuki and Kazuo Yonekura},
journal= {arXiv preprint arXiv:2308.10038},
year = {2023}
}