物理引导的生成对抗网络训练以提高翼型设计合成的准确性
摘要：物理引导的生成对抗网络模型在机械结构的设计合成中最近得到了应用。生成对抗网络有时会输出一些不合理的形状。例如，当生成对抗网络模型被训练用于输出指示所需空气动力性能的翼型形状时，性能值会出现显著错误。这是因为生成对抗网络模型只考虑数据，而不考虑数据背后的空气动力学方程。本文提出了物理引导训练生成对抗网络模型，以指导模型学习物理有效性。物理有效性是通过位于神经网络模型外部的通用软件进行计算的。这样的通用软件无法在受物理启发的神经网络框架中使用，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性是输出数据与训练数据相似，并不能生成全新的形状。然而，由于所提出的模型由物理模型引导，并且不使用训练数据集，它能够生成全新形状。数值实验表明，所提出的模型显著提高了准确性。此外，输出的形状与训练数据集的形状不同，但仍满足物理有效性，克服了现有生成对抗网络模型的局限性。
作者：Kazunari Wada, Katsuyuki Suzuki, Kazuo Yonekura
论文ID：2308.10038
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-22