Key points are not available for this paper at this time.
翼型参数化方法的选择在很大程度上影响整体机翼优化性能，因为它会影响过程的灵活性和计算效率。理想情况下，用户应该能够直观地约束翼型的形状和结构特征，以便作为优化过程的输入。目前的参数化技术缺乏灵活性，无法有效地生成指定简约形状和结构特征的翼型。为了解决这一限制，提出了一种深度学习框架，使得可以根据翼型的形状和结构特征定义进行条件翼型生成。具体而言，我们展示了双向长短期记忆模型和贝叶斯高斯混合模型在从我们定义的一组紧凑的形状和结构特征中推导翼型坐标方面的应用。与传统方法相比，所提出的框架在设计空间的探索和利用方面有所改善，从而实现了良好的翼型性能优化。总体而言，所提出的优化框架能够在传统参数化技术优化的翼型设计基础上实现9.04%的性能提升.
Roux等人（周四）研究了这个问题.