Generative method for aerodynamic optimization based on classifier-free guided denoising diffusion probabilistic model
作者: Shisong Deng, Qiang Zhang, Zhengyang Cai
发布时间: 2025-03-11
来源: arxiv
研究方向: 航空器空气动力学形状优化与逆向设计
主要内容
该研究提出了一种基于无分类器引导去噪扩散概率模型（CDDPM）的空气动力学形状逆向设计方法。该方法通过捕获特定性能指标之间的相关性，并生成相应的上下表面压力系数分布，从而实现高效、精确的空气动力学形状设计。
主要贡献
1. 提出了一种基于CDDPM的空气动力学形状逆向设计方法，显著提高了设计精度。
2. 揭示了不同设计目标之间的耦合关系，并通过全局优化算法和主动学习策略调整性能指标值。
3. 开发了一种通用的空气动力学形状逆向设计流程和数据准备程序，适用于类似复杂条件下的其他逆向设计领域。
研究方法
1. 无分类器引导去噪扩散概率模型（CDDPM）
2. 映射模型
3. 全局优化算法（EGO）
4. 主动学习策略
实验结果
实验结果表明，与现有的基于GAN和VAE的方法相比，CDDPM在空气动力学形状生成任务中实现了33.6%的精度提升。此外，通过全局优化算法和主动学习策略，提出了一个调整每个性能指标值的方法，为逆向设计框架提供了合理的性能指标组合。
未来工作
未来工作将探索加速扩散模型的训练过程，并将三个模型集成为一个端到端模型，以实现更高效的逆向设计过程。