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

原创2026-10-19 19:09:551,869 阅读
文章标签:人工智能机器学习深度学习科研

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):

  1. 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;
  2. 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;
  3. 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;
  4. 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;
  5. 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。

登录后查看全文
airfoil-cst-rans-mlp