L’outil de réseau neuronal inversible permet d’optimiser l. a. conception du profil aérodynamique

Les humains ont toujours développé des outils ou des applied sciences pour nous aider à surmonter les défis. Les hindrances encouragent les gens à innover.

Le problème de l. a. conception du profil aérodynamique, dans lequel un ingénieur travaille à l. a. building d’une forme présentant les propriétés souhaitées, telles que maximiser l. a. portance tout en minimisant l. a. traînée, présente une opportunité d’innovation. Les chercheurs du Laboratoire nationwide des énergies renouvelables (NREL) construisent des outils informatiques utilisant l’intelligence artificielle (IA) qui peuvent aider à améliorer l. a. conception du profil aérodynamique des pales d’éoliennes, des ailes d’avion et des pales de ventilateur des generators à gaz naturel.

“Los angeles conception du profil aérodynamique et des pales des éoliennes est un processus complexe et multidisciplinaire qui doit équilibrer un massive éventail d’objectifs dans un paysage changeant d’exigences des purchasers, de réglementations politiques et d’inventions technologiques”, a déclaré Andrew Glause, chercheur en sciences informatiques au Nationwide Renewable Power. Un laboratoire qui ouvre l. a. voie. . Une méthode pour améliorer l. a. conception des profils aérodynamiques.

“De plus, les itérations de conception doivent évoluer très rapidement pour suivre le rythme du marché. Pour réaliser tout cela, les concepteurs utilisent des outils bon marché et à basse résolution pour créer et évaluer rapidement de nouvelles conceptions. Notre travail vise à introduire des informations à plus haute résolution (par ex. , non linéaires) aérodynamiques) dans le processus de conception sans impacter les délais serrés.

Une plus grande précision signifie une plus grande confiance dans les résultats – il y a toujours des erreurs dans l. a. modélisation. Les modèles basse fidélité réduisent rapidement le nombre d’itérations de conception nécessitant une optimisation haute fidélité, et les chercheurs savent qu’ils ne donnent qu’une indication sur les performances du profil aérodynamique. Commencer par des entrées plus précises signifie que les chercheurs peuvent réduire le nombre de conceptions nécessitant des modèles haute résolution supplémentaires.

Les méthodes actuelles de conception des profils aérodynamiques créent un besoin d’amélioration

Le processus de conception du profil aérodynamique peut être décrit comme le processus de détermination des propriétés et propriétés souhaitées et de rétro-ingénierie du profil aérodynamique à l’aide d’une méthode d’optimisation pour arriver à cette resolution. Cependant, les méthodes d’optimisation traditionnelles sont coûteuses et nécessitent de nombreuses évaluations du modèle, automobile les chercheurs optimisent un seul profil aérodynamique. De telles tactics peuvent augmenter les besoins de stockage informatique, réduire les économies de calcul ou nécessiter des optimisations itératives de l. a. forme du profil aérodynamique.

Les chercheurs explorent des modèles d’apprentissage profond utilisant des réseaux de neurones pour accélérer le processus de conception. Ces réseaux fonctionnent bien dans les tâches orientées vers l’humain, telles que le traitement du langage naturel et l. a. prise de décision, et peuvent également aider à déterminer des formes de profil aérodynamique optimisées.

Les DCI peuvent ouvrir l. a. voie à une conception optimisée du profil aérodynamique

Les chercheurs du NREL ont démontré des méthodes prometteuses pour produire rapidement des conceptions de forme de profil aérodynamique pour les éoliennes à l’aide d’outils de réseau neuronal inversible (DCI). L’approche – récemment détaillée dans Mag AIAA— Présente une accélération près de cent fois par rapport aux méthodes existantes et répond aux caractéristiques de efficiency des profils aérodynamiques utilisés dans les pales d’éoliennes.

“INN apprend une relation inverse entre les formes du profil aérodynamique/light et leurs propriétés aérodynamiques et structurelles, permettant aux concepteurs de spécifier les caractéristiques de efficiency cibles, puis d’explorer rapidement l’espace des formes qui correspondent aux objectifs de conception”, a déclaré Glause, auteur main de l’étude. “INN y parvient en utilisant des blocs inversés de forme fermée qui sont formés de manière bidirectionnelle et combinent des fonctions de perte supervisées (étiquetées) et non supervisées (non étiquetées).”

Glaws et son équipe ont évalué l’affect de différents facteurs sur l. a. efficiency des dénominations communes internationales. Ils ont examiné différentes architectures de modèles DCI pour déterminer le compromis optimum qui équilibre l. a. stabilité, les performances et les coûts de formation des DCI. Ils ont également évalué l. a. formation du réseau non supervisé à l. a. génération de conceptions plausibles, les changes du réseau apportées à l’approche de base de l’INN et, plus essential encore, les performances de l. a. méthodologie INN proposée dans l. a. manufacturing de conceptions de profils aérodynamiques présentant les caractéristiques souhaitées.

“Nous avons constaté qu’INN était succesful de produire une gamme de formes de profil aérodynamique uniques en corrélation avec différentes caractéristiques de efficiency cibles dans des tolérances raisonnables”, a déclaré Glaus. “Cependant, nous avons constaté que l. a. formation du réseau est un exercice d’équilibre quelque peu difficile entre l’obtention de prévisions précises et l. a. garantie de conceptions rétrospectives raisonnables. Il existe une variété d’autres outils d’IA générative pour mettre en œuvre des processus de conception similaires (par exemple, GAN et VAE), mais ceux-ci Les outils s’appuient sur plusieurs réseaux pour apprendre l. a. relation appropriée. Cela peut nécessiter davantage de données de formation, ralentir le processus de formation et conduire à des modèles volumineux et gourmands en mémoire par rapport aux poids DCI courants.

NREL a créé des outils open supply pour le cadre de conception basé sur INN et les a rendus disponibles sur GitHub. L’équipe a également créé une interface pour utiliser INN dans le cadre de conception de code WISDEM de NREL. Glaus a déclaré que l’équipe souhaite vivement que les chercheurs et les concepteurs aient accès à ces outils, fournissent des commentaires et aident à explorer remark l’équipe peut les améliorer davantage.

“Nous sommes enthousiasmés par l’affect potentiel que INN peut avoir en tant qu’approche d’IA générative pour accélérer les processus de conception d’éoliennes”, a déclaré Glause. « De plus, nous sommes enthousiasmés par l’ampleur des nouvelles instructions de recherche ouvertes par ces travaux, notamment des questions sur l’amélioration de l. a. représentation des formes 2D et 3-D, l. a. conception robuste des pales souffrant de corrosion ou de givrage, et l. a. possibilité d’étendre ces travaux au conception d’autres composants tels que des plates-formes offshore.