本文简介

以前空气动力学的计算方法是传统CFD算法，但是它需要的计算开销大。本文提出了用CNN的方法，预测2D和3D的非均匀稳定层流(non-uniform steady laminar flow)，在误差允许范围内比CFD快很多（在GPU上快4个数量级）。这使得可以在空气动力学产品的设计初期快速迭代。训练数据可以源于CFD结果和实测结果。

本文提出的模型模型步骤：

• 用SDF(Signed Distance Function)表示神经网络的输入。
• 单通道encode输入模型图。
• 多通道decode得到每个方向速度分量的结果。

数据集：2D数据集是用规则几何图形（三角形、四边形、五边形、六边形、十二边形）作为训练集和验证集，训练集共10000个，每个图形20000个，验证集10000个，每个图形2000个。用车的集合作为测试集。3D数据集为400000随机生成的球面和矩形的组合。

网络模型如图所示：

模型介绍

输入预处理方法

本文提出的SDF算法(Signed Distance Function)是对物体形状以及距离物体边界远近的描述算法，物体边界为0，边界内为负，边界外为正；每个点的值为距离最近边界点的绝对距离。
在二维情况下：

SDF算法二维结果图：

三维结果图：

模型结构

网络总体结构为encoding统一做一次，而decoding分通道做，通道表示速度分量。作者用实验证明把encoding分开没有意义。网络架构如图所示：

编码部分由多个卷积层加一个全连接层组成，解码器为编码的反过程，第一次解码器可以将编码器的全连接层输出看成1×1×n维向量。编解码过程如图所示：

损失函数分为2D和3D情况下：

运行结果：
可以看出，与传统CFD算法误差在一定范围内。