Un outil de réseau neuronal réversible aide à optimiser la conception du profil aérodynamique
Les humains ont toujours développé des outils ou des technologies pour nous aider à surmonter les défis. Les obstacles encouragent les gens à innover.
Le problème de conception du profil aérodynamique – dans lequel un ingénieur travaille à la construction d’une forme présentant les caractéristiques souhaitées, telles que maximiser la portance tout en minimisant la traînée – présente une opportunité d’innovation. Les chercheurs du Laboratoire national des énergies renouvelables (NREL) construisent des outils informatiques utilisant l’intelligence artificielle (IA) qui peuvent aider à optimiser la conception du profil aérodynamique des pales d’éoliennes, des ailes d’avion et des pales de ventilateur dans les turbines à gaz naturel.
« La conception du profil aérodynamique et des pales d’éoliennes est un processus complexe et interdisciplinaire qui doit équilibrer un large éventail d’objectifs dans le paysage changeant des demandes des clients, des réglementations politiques et des innovations technologiques », a déclaré Andrew Glaws, chercheur en science informatique du NREL qui travaille à ouvrir la voie à l’innovation. voie à suivre pour améliorer la conception des profils aérodynamiques.
« En outre, les itérations de conception doivent évoluer extrêmement rapidement pour suivre le rythme du marché. Pour réaliser tout cela, les concepteurs utilisent des outils bon marché et basse fidélité pour créer et évaluer rapidement de nouvelles conceptions. Notre travail cherche à injecter des informations de plus grande fidélité (par exemple, non linéaires). effets aérodynamiques) dans le processus de conception sans affecter leurs délais serrés.
Une fidélité plus élevée signifie une plus grande confiance dans les résultats : il y a toujours une erreur dans la modélisation. Les modèles basse fidélité réduisent rapidement le nombre d’itérations de conception nécessitant un raffinement haute fidélité, et les chercheurs savent qu’ils ne donnent qu’une indication sur les performances du profil aérodynamique. En commençant par des entrées plus précises, les chercheurs peuvent réduire davantage le nombre de conceptions nécessitant une modélisation haute fidélité supplémentaire.
Les méthodes actuelles de conception du profil aérodynamique créent un besoin d’optimisation
Le processus de conception du profil aérodynamique peut être décrit comme l’un des processus consistant à définir les propriétés et caractéristiques souhaitées et à procéder à une ingénierie inverse du profil aérodynamique à l’aide d’une méthode d’optimisation pour atteindre cette solution. Les méthodes d’optimisation traditionnelles sont cependant coûteuses et nécessitent de nombreuses évaluations d’un modèle lorsque les chercheurs optimisent un seul profil aérodynamique. De telles techniques peuvent augmenter les besoins de stockage informatique, réduire les économies de calcul ou nécessiter des optimisations répétées de la forme du profil aérodynamique.
Les chercheurs explorent des modèles d’apprentissage profond utilisant des réseaux de neurones pour accélérer le processus de conception. Ces réseaux fonctionnent bien sur les tâches orientées vers l’humain telles que le traitement du langage naturel jusqu’à la prise de décision. En outre, ils peuvent potentiellement aider à identifier les formes de profil aérodynamique optimisées.
Les DCI peuvent ouvrir la voie à une conception optimisée du profil aérodynamique
Les chercheurs du NREL ont démontré des méthodes prometteuses pour produire des conceptions rapides de forme de profil aérodynamique pour les éoliennes à l’aide d’outils de réseau neuronal inversible (DCI). L’approche, récemment détaillée dans le Journal de l’AIAA— démontre une accélération environ cent fois supérieure à celle des méthodes actuelles et satisfait aux caractéristiques de performance des profils aérodynamiques utilisés dans les pales d’éoliennes.
« L’INN apprend une relation inversible entre les formes du profil aérodynamique et des pales et leurs propriétés aérodynamiques et structurelles, ce qui permet aux concepteurs de spécifier les caractéristiques de performance cibles, puis d’explorer rapidement l’espace des formes qui correspondent à ces objectifs de conception », a déclaré Glaws, auteur principal de l’étude. l’étude. « L’INN y parvient grâce à l’utilisation de blocs inversibles de forme fermée qui sont formés de manière bidirectionnelle et combinent des fonctions de perte supervisées (étiquetées) et non supervisées (non étiquetées). »
Glaws et son équipe ont évalué comment divers facteurs affectent les performances de l’INN. Ils ont examiné différentes architectures de modèles INN pour identifier un compromis optimal qui équilibre la stabilité, les performances et les coûts de formation de l’INN. Ils ont également évalué la formation réseau non supervisée pour générer des conceptions plausibles, les modifications du réseau par rapport à l’approche INN de base et, plus important encore, les performances de la méthodologie INN proposée dans la production de conceptions de profils aérodynamiques présentant les caractéristiques souhaitées.
« Nous avons constaté que l’INN était capable de produire une gamme de formes de profil aérodynamique uniques corrélées à diverses caractéristiques de performance cibles dans une tolérance raisonnable », a déclaré Glaws. « Cependant, nous avons trouvé que la formation du réseau était un exercice d’équilibre quelque peu difficile entre l’obtention de prévisions précises et la garantie de conceptions inverses raisonnables. Il existe une variété d’autres outils d’IA générative pour exécuter des processus de conception similaires (par exemple, les GAN et les VAE), mais ceux-ci s’appuyer sur plusieurs réseaux pour apprendre la relation appropriée. Cela peut nécessiter plus de données de formation, ralentir le processus de formation et conduire à des modèles volumineux et gourmands en mémoire par rapport aux poids partagés de l’INN.
NREL a créé des outils open source pour le cadre de conception basé sur INN et les a rendus disponibles sur GitHub. L’équipe a également créé une interface pour utiliser l’INN dans le cadre de conception de lames WISDEM de NREL. Glaws a déclaré que l’équipe souhaite vivement que les chercheurs et les concepteurs accèdent à ces outils, fournissent des commentaires et aident à explorer comment l’équipe peut les améliorer davantage.
« Nous sommes enthousiasmés par l’impact potentiel que l’INN peut avoir en tant qu’approche d’IA générative pour accélérer les processus de conception d’éoliennes », a déclaré Glaws. « De plus, nous sommes enthousiasmés par l’ampleur des nouvelles directions de recherche ouvertes par ce travail, notamment des questions sur les représentations améliorées des formes 2D/3D, la conception robuste des pales soumises à l’érosion ou au givrage, et la possibilité d’étendre ces travaux à la conception de d’autres composants tels que des plates-formes offshore flottantes.
