可逆神經網路工具有助於最佳化空氣動力翼型設計
背景
人類一直以來都發展出各種工具和技術，以幫助我們克服困難。障礙鼓勵人們創新。空氣動力翼型設計問題，即工程師努力建立具有所需特性的形狀，例如最大化升力，最小化阻力，提供了創新的機會。美國國家可再生能源實驗室（NREL）的研究人員正在利用人工智慧（AI）建立計算工具，可以幫助最佳化風力渦輪機葉片、飛機機翼和天然氣渦輪機扇葉的空氣動力翼型設計。達到更高度還原度的空氣動力翼型設計
當前的空氣動力翼型設計方法需要進行最佳化，以達到所需的效能和特性的目標，並根據該目標使用最佳化方法對空氣動力翼型進行設計。傳統的最佳化方法昂貴，需要對模型進行多次評估，而研究人員最佳化單一空氣動力翼型。這些技術可能增加計算儲存要求，降低計算節約，或需要重複的空氣動力翼型形狀最佳化。研究人員正在探索使用神經網路的深度學習模型來加速設計過程。這些神經網路在人類導向的任務上表現出色，比如自然語言處理到決策制定，此外它們還可以幫助識別最佳化的空氣動力翼型形狀。逆可逆神經網路對最佳化翼型設計的影響
NREL 的研究人員透過使用逆可逆神經網路（INN）工具，展示了快速生成風力渦輪機空氣動力翼型設計的有希望方法。最近在 AIAA Journal 中詳細介紹的這種方法，顯示了與當前方法相比的大約一百倍的加速度，並滿足了風力渦輪機葉片所使用的空氣動力特性。透過 INN 學習空氣動力翼型/葉片形狀與其氣動和結構特性之間的可逆關係，設計人員可以指定目標效能特性，然後快速探索與這些設計目標相對應的形狀空間。研究結果和開發工具
研究人員評估了不同因素對 INN 效能的影響。他們研究了不同的 INN 模型架構，以找到平衡 INN 穩定性、效能和訓練成本的最佳折衷點。他們還評估了無監督網路訓練在生成合理設計方面的效果以及對基線 INN 方法的網路修改，最重要的是評估了所提出的 INN 方法在產生具有所需特性的空氣動力翼型設計方面的效能。開放源程式碼和進一步改進
NREL 已經為基於 INN 的設計框架建立了開源工具，並在 GitHub 上提供了這些工具。該團隊還建立了一個在 NREL 的 WISDEM 葉片設計框架內使用 INN 的介面。研究團隊期待研究人員和設計師能夠使用這些工具，提供反饋，並幫助探索如何進一步改進工具。展望和結論
這項研究開啟了許多新的研究方向，包括改進 2D/3D 形狀表示、對面臨磨損或結冰的葉片進行堅固設計以及將這項工作擴充套件到其他元件的設計，如浮動式離岸平臺。逆可逆神經網路作為一種生成式 AI 方法，加速了風力渦輪機設計過程並具有潛在的影響力。在加速設計過程的同時這項研究還為更多相關領域的研究帶來了許多新的問題和挑戰。Aerospace-逆可逆神經網路,工具,最佳化,機翼設計
