airfoil-cst-rans-mlp快速开始:5行代码获取翼型升力、阻力与力矩系数预测

原创2026-10-19 19:31:08518 阅读
文章标签:人工智能机器学习深度学习科研

airfoil-cst-rans-mlp快速开始:5行代码获取翼型升力、阻力与力矩系数预测

airfoil-cst-rans-mlp 是一个面向空气动力学的翼型气动代理模型(surrogate model):输入 6 个 CST 翼型形状权重和迎角,即可在毫秒内预测升力系数(Cl)、阻力系数(Cd)和四分之一弦线力矩系数(Cm),并给出预测的不确定度。它基于 436 组 OpenFOAM RANS(k-omega SST,Re=4e6)计算数据训练,帮你跳过耗时的 CFD 网格与求解过程,直接拿到可用于优化与筛选的气动系数。

🚀 这个项目能做什么?

传统做法是:每改一次翼型形状,就要跑一次 RANS 求解(OpenFOAM simpleFoam),单次计算耗时以小时计。而 airfoil-cst_rans_mlp 用一个 5 网络 MLP 集成(8 → 96 → 96 → 96 → 3,SiLU 激活,bootstrap 采样)代替了解算器:

  • 输入:CST 厚度权重 T0/T1/T2、弯度权重 M0/M1/M2、迎角 alpha_deg
  • 输出:Cl、Cd、Cm,以及每个量的不确定度(*_std)和升阻比 LD
  • 精度:留出集上 Cl 平均绝对误差约 0.0028,Cd 平均相对误差约 0.54%,详见 model_card.json

💡 适合场景:翼型外形快速筛选、气动优化中的廉价代理评估、教学演示气动系数随形状/迎角的变化规律。

📦 安装与模型下载:一键配置

# 1. 克隆模型仓库(含权重、模型卡与示例)
git clone https://gitcode.com/hf_mirrors/PINNeAPPle-Labs/airfoil-cst-rans-mlp

# 2. 安装 PINNeAPPle 推理库
pip install pinneapple

若当前 pip 源中找不到 pinneapple,请按 README.md 中 "How to use" 一节的源码安装方式配置环境。

仓库内各文件的作用一目了然:

文件 内容
weights.pt PyTorch 权重(pp.zoo.load 直接读取)
model.safetensors 同上,safetensors 格式
model.onnx ONNX 计算图(opset 17),含前后处理
config.json 网络结构与输入输出归一化参数
model_card.json 模型卡:输入输出、适用范围、精度指标、可信度报告
example.json 完整示例:输入、预测、参考值与判定结果

🏃 5行代码:快速开始翼型气动系数预测

下面就是"5 行代码"的核心用法(示例输入取自官方测试用例):

import pinneapple as pp

model = pp.zoo.load("airfoil_cst_rans_mlp")   # 加载并自动校验 SHA-256
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)                   # 超出适用范围会自动警告
print({k: round(float(v[0]), 6) for k, v in out.items()})

运行后你会得到类似下面的结果:

输出 数值 含义
Cl 0.316984 升力系数
Cd 0.010137 阻力系数
Cm -0.042694 关于 c/4 的俯仰力矩系数
Cl_std / Cd_std / Cm_std ~0.0027 / ~2.3e-05 / ~1.4e-04 集成网络间的不确定度
LD 31.27 升阻比 Cl/Cd

这些数值与 example.json 中记录的输出完全一致;对应的 RANS 参考解为 Cl=0.317408、Cd=0.010119、Cm=-0.042684,可见预测偏差非常小。

📐 输入输出说明:如何构造自己的输入

输入(7 个):6 个 2 阶 Bernstein CST 形状权重 + 迎角,上表面 = M+T,下表面 = M−T。

参数 含义 有效范围
T0 / T1 / T2 CST 厚度权重(前缘/中弦/后缘) [0.10, 0.24] / [0.08, 0.22] / [0.08, 0.22]
M0 / M1 / M2 CST 弯度权重(前/中/后) [-0.03, 0.08] / [-0.02, 0.14] / [-0.04, 0.12]
alpha_deg 迎角(度) [-2.0, 14.0]

固定工况:Re = 4×10⁶、不可压缩、完全湍流(k-omega SST),尾缘厚度固定为 0.25% 弦长。

输出(8 个):Cl、Cd、Cm 三个系数,加各自的不确定度 *_std,以及派生量升阻比 LD 与 LD_std。

⚠️ 输入超出有效范围时,predict 会发出警告——请优先把参数约束在表内,再相信预测结果。

✅ 如何验证结果可信?两步体检

除了直接预测,pinneapple 内置了"逐查询信任检查"和"整卡复验",两行代码即可:

print(pp.zoo.query_checks(model, inputs)[0]["verdict"]["status"])  # 单次查询体检
print(pp.zoo.validate(model).decisao)                              # 复算模型卡全部指标

示例输入的查询判定为 pass,整卡验证结论为 APPROVED(可信度得分 1.00,覆盖率 100%),完整检查项(升力斜率 vs 薄翼理论、对称翼升力奇对称性、Cd>0 等物理解一致性)都列在 README.md 的 Physics validation 小节。

关键精度指标(留出测试集,60 个训练未见算例):

指标 数值
Cl MAE 0.00285
Cd MAPE 0.545%
Cm MAE 0.000454

⚠️ 局限性与避坑指南

  • 高升力区阻力偏高约 14%:相比更细网格/XFOIL,代理模型继承了原 2 万网格解算器的偏差,不会自动修正它;
  • 不适用深失速(训练时已剔除 Cl 大幅抖动的算例),也不适用其他雷诺数、可压缩流或 CST 范围外的形状;
  • 精度口径:误差是相对"同一解算器+同一网格"的插值误差,解算器相对实验的误差才是更大的一项。

更多细节可查阅 model_card.json 中的 known_limitations 字段与 README.md 的 Validation 章节。

🎯 小结

airfoil-cst-rans-mlp 把"跑一次 RANS"压缩成"一次前向推理":5 行代码获得 Cl、Cd、Cm 与不确定度,输入越界自动告警,结果可用内置物理检查随时复核。如果你的工作流涉及大量翼型外形评估或气动优化迭代,这个免费、开箱即用的代理模型值得现在就试起来。

登录后查看全文
airfoil-cst-rans-mlp