6个数字如何描述一个翼型:airfoil-cst-rans-mlp的CST参数化新手指南
6个数字如何描述一个翼型:airfoil-cst-rans-mlp的CST参数化新手指南
airfoil-cst-rans-mlp 是一个基于 CST 参数化的翼型 RANS 气动代理模型:你只需给出 6 个形状权重(CST 权重)加一个迎角,它就能立刻算出升力、阻力和俯仰力矩系数,精度对标 Re = 4×10⁶ 的二维稳态 RANS 数值解,响应时间是毫秒级。本文面向零基础读者,讲清楚这 6 个数字到底是什么、能取多大、以及如何用它做气动预测。
为什么用 6 个数字描述翼型?
传统上,一个翼型轮廓需要用几百甚至上千个坐标点来描述。CST 参数化(Class-Shape-Transformation,类-形状-变换)换了一种思路:
翼型形状 = 厚度分布 + 弯度分布,各用一条 2 阶 Bernstein 多项式表示,每条曲线只需 3 个权重。
于是整个翼型就压缩成了 6 个数字:
- 厚度方向(上下表面关于中线的"胖瘦"):
T0、T1、T2 - 弯度方向(中线的"弯曲程度"):
M0、M1、M2
上下表面的生成规则非常直观(见 model_card.json 中的 geometry_family 定义):
- 上表面 = M + T
- 下表面 = M − T
- 尾缘保留 0.25% 弦厚的尖尾缘
这样做的好处:设计变量从上千个降到 6 个,优化、采样、机器学习都能高效进行——这正是本模型能做"秒级预测"的前提。
6 个权重分别控制什么?
根据 README.md 的 Inputs 说明,每个权重的物理含义如下:
| 权重 | 名称 | 控制位置 | 直觉理解 |
|---|---|---|---|
T0 |
CST 厚度权重 | 前缘 | 前缘有多"钝" |
T1 |
CST 厚度权重 | 中弦位置 | 翼型整体有多"厚" |
T2 |
CST 厚度权重 | 后部 | 尾缘附近有多"肥" |
M0 |
CST 弯度权重 | 前部 | 前段拱起多少 |
M1 |
CST 弯度权重 | 中弦位置 | 最大弯度位置的影响 |
M2 |
CST 弯度权重 | 后部 | 后段弯度收尾 |
📌 一个经验:T 系列越大,翼型越厚;M 系列越大,翼型拱起越明显(负弯度则上弯)。
数字能取多大:有效范围一览
模型只在训练数据的范围内可靠。以下有效范围直接取自 model_card.json:
| 输入 | 最小值 | 最大值 | 说明 |
|---|---|---|---|
T0 |
0.10 | 0.24 | 前缘厚度权重 |
T1 |
0.08 | 0.22 | 中弦厚度权重 |
T2 |
0.08 | 0.22 | 后部厚度权重 |
M0 |
−0.03 | 0.08 | 前部弯度权重 |
M1 |
−0.02 | 0.14 | 中弦弯度权重 |
M2 |
−0.04 | 0.12 | 后部弯度权重 |
alpha_deg |
−2.0 | 14.0 | 迎角(度) |
另外两个固定条件:雷诺数固定为 Re = 4×10⁶,不可压缩流,湍流模型为 k-ω SST(全湍流,附边到轻微分离;深度失速工况已从训练数据中剔除)。
从形状到气动系数:模型的输入与输出
这个模型是一个 5 个 MLP 组成的集成(结构 8 → 96 → 96 → 96 → 3,SiLU 激活,见 config.json),输入 8 维、输出 3 个气动系数:
输入(8 维):6 个 CST 权重 + 迎角 alpha_deg
输出(3 系数 + 不确定性):
| 输出 | 含义 |
|---|---|
Cl |
升力系数 |
Cd |
阻力系数 |
Cm |
绕 1/4 弦点的俯仰力矩系数 |
Cl_std / Cd_std / Cm_std |
5 个网络预测的离散度,即不确定性 |
LD |
升阻比 Cl/Cd(附赠) |
仓库里自带了一个完整示例 example.json:给定 T0=0.2355、T1=0.2154、T2=0.1951、M0=0.0583、M1=0.0167、M2=0.0948、迎角 0.81°,模型输出 Cl ≈ 0.3170、Cd ≈ 0.01014、Cm ≈ −0.04269,升阻比 LD ≈ 31.3——与 RANS 参考解偏差极小(查询校验为 pass,信任评级 APPROVED)。
最快上手:两步完成一次预测
安装 PINNeAPPle 库后即可加载模型(权重会按 SHA-256 校验,见 weights.pt 与 model.safetensors):
pip install pinneapple
import pinneapple as pp
model = pp.zoo.load("airfoil_cst_rans_mlp")
inputs = {"T0": 0.235519, "T1": 0.215361, "T2": 0.195097,
"M0": 0.058294, "M1": 0.016703, "M2": 0.09483,
"alpha_deg": 0.810289}
out = model.predict(inputs) # 超范围输入会自动给出警告
如果不想安装任何依赖,也可以直接用 ONNX 格式 model.onnx(opset 17,输入 x 为 7 列:T0, T1, T2, M0, M1, M2, alpha_deg,前置/后置处理已内置于图中)。
仓库文件速查
| 文件 | 内容 |
|---|---|
| README.md | 模型说明:输入输出、有效范围、精度指标、用法 |
| model_card.json | 完整模型卡:架构、训练配置、验证指标、信任报告 |
| config.json | 网络结构与归一化参数 |
| example.json | 官方示例:输入、输出与参考值对照 |
| weights.pt | PyTorch 权重文件 |
| model.safetensors | 同权重的 safetensors 格式 |
| model.onnx | 可独立运行的 ONNX 图 |
新手常见误区:先确认适用边界
⚠️ 在把结果用于设计之前,请注意以下几点(来自 model_card.json 的 known_limitations):
- 只在有效范围内可信:6 个权重或迎角超出上表范围,模型只作插值外推,结果不可用;
- 不适用于深度失速:训练数据剔除了深失速工况,大迎角(接近 14° 上限)要格外谨慎;
- 只覆盖 Re = 4×10⁶、不可压缩:换雷诺数或可压缩场景请重新建模;
- 高升力下阻力偏高约 14%:代理模型继承了解算器的网格偏差,只纠正误差、不纠正偏差;
- 它的精度是"对同一解算器"的插值精度:解算器本身与实验的差异是更大的误差来源。
只要记住一句话:6 个 CST 权重定义形状,迎角定义工况,模型替你跑完 RANS。 理解了这个映射,你就掌握了 airfoil-cst-rans-mlp 的核心。