Aero-Nef: 用于快速飞机气动力学模拟的神经场
原文中文，约1900字，阅读约需5分钟。
📝
内容提要
本文提出了深度学习模型INFINITY，利用隐式神经表示解决数值设计中的模拟模型问题。该模型能够有效编码几何信息与物理场，准确推断空气动力学设计中的物理场，实验结果表明其在设计探索和形状优化方面表现优异，展示了在流场预测和气动设计中的应用潜力。
🔎
延伸解读
隐式神经表示在气动模拟中的优势
INFINITY模型采用隐式神经表示（INRs）将几何与物理场编码为紧凑表示，并学习其映射以推断物理场。这种方法能高效处理数值设计中的模拟问题，在AirfRANS数据集上实现了最先进的性能，准确推断整个体和表面的物理场，为气动设计优化提供了新途径。
设计探索与形状优化的适用性
该模型不仅能预测流场，还能正确预测阻力和升力系数，并遵守相关方程。这表明INFINITY在设计探索和形状优化中具有实用价值，能够辅助工程师快速评估不同翼型的气动性能，加速迭代过程。
与相关工作的对比与定位
文章提及了多个相关研究，如基于聚类神经网络的CFD仿真、U形网络推断RANS解、DeepONets推断流场等。INFINITY与这些工作共同推动了深度学习在流体力学中的应用，但INFINITY专注于隐式神经表示，在AirfRANS数据集上展现了优越性。
❓
Q&A
INFINITY模型的主要功能是什么？
INFINITY模型利用隐式神经表示解决数值设计中的模拟模型问题，能够有效编码几何信息与物理场，并推断物理场。
INFINITY模型在空气动力学设计中表现如何？
在AirfRANS数据集上，INFINITY模型在空气动力学设计优化中表现出色，能够准确推断物理场。
该模型在设计探索和形状优化方面的适用性如何？
该模型能够正确预测阻力和升力系数，展示了在设计探索和形状优化中的适用性。
INFINITY模型的实验结果如何？
实验结果表明，INFINITY模型在流场预测和气动设计中具有优异的应用潜力。
INFINITY模型如何处理几何信息和物理场的关系？
模型通过学习几何信息与物理场之间的映射，来推断物理场。
INFINITY模型与传统方法相比有什么优势？
INFINITY模型在仿真速度上快一个数量级，同时保持与基于模型的方法几乎同样的精确度。
🏷️
