走向三维设计中空气动力学预测的基础模型范式

用于空气动力学预测的准确机器学习模型对于加速形状优化至关重要，但由于生成训练数据的成本高昂，开发复杂的三维配置仍然具有挑战性。这项工作介绍了一种高效构建用于设计目的的准确代理模型的方法，首先是 预训练 一个基于不同几何形状的大型模型，然后是 微调 以及一些更详细的特定于任务的样本。基于 Transformer 的架构 AeroTransformer 是为学习空气动力学的大规模训练而开发和定制的。该方法在跨音速机翼上进行了评估，模型在 SuperWing 上进行了预训练，SuperWing 是一个包含近 30000 个具有广泛几何多样性的样本的数据集，随后进行微调以处理来自通用研究模型的扰动的特定机翼形状。结果表明，在 450 个特定任务样本的情况下，所提出的方法在表面流预测上实现了 0.36% 的误差，与从头开始训练相比减少了 84.2%。还系统地研究了模型配置和训练策略的影响，为在有限的数据和计算预算下有效训练和部署此类模型提供指导。为了便于重用，我们在 https://github.com/tum-pbs/AeroTransformer 发布了数据集和预训练模型。交互式设计工具也是基于预训练模型构建的，可在线获取 https://webwing.pbs.cit.tum.de。