Paramétrisation et optimisation de la conception d'aile à l'aide de réseaux antagonistes génératifs de Bézier

L'optimisation globale des formes aérodynamiques nécessite généralement un grand nombre de simulations coûteuses en dynamique des fluides computationnelle en raison de la haute dimensionnalité de l'espace de conception. Une approche pour lutter contre ce problème consiste à réduire la dimension de l'espace de conception en obtenant une nouvelle représentation. Cela nécessite une fonction paramétrique qui décrit de manière compacte et suffisante les variations utiles des formes. Cet article propose un modèle génératif profond, Bézier-GAN, pour paramétriser les conceptions aérodynamiques en apprenant à partir de variations de forme dans une base de données existante. La nouvelle paramétrisation résultante peut accélérer la convergence de l'optimisation de la conception en améliorant la compacité de la représentation tout en maintenant une capacité de représentation suffisante. La conception de l'aile est utilisée comme exemple pour démontrer l'idée et analyser la capacité et la compacité de représentation de Bézier-GAN. Les résultats montrent que Bézier-GAN apprend à la fois 1) des représentations de forme lisses et réalistes pour une large gamme d'aile et 2) accélère empiriquement la convergence de l'optimisation d'au moins deux fois par rapport aux méthodes de paramétrisation de pointe.