AFBench

在我们的工作中，我们提出一个全面的2D翼型数据集，用于研究可控翼型逆向设计。

In this work, we propose a comprehensive 2D airfoil dataset for research on controllable airfoil inverse design.

原始信息汇总

AFBench 数据集概述

数据集介绍

AFBench 是一个大规模的翼型设计基准数据集，旨在用于研究可控翼型逆向设计。数据集的 URL 为：AF-200K 数据集。

数据结构

数据集的最终结构如下：

AFBench ├── data │ ├── airfoil │ │ │── 000000.dat │ │ │── ... | | |── 199999.dat | |── train_split.txt | |── val_split.txt | |── test_split.txt | |── geometry_label.txt

代码环境

代码测试环境为 PyTorch 1.13.1 和 CUDA 11.7。安装所需包的命令如下： bash conda create -n afbench python=3.9 conda activate afbench
pip install -r requirements.txt

数据设置

请下载官方的 AF-200K 数据集，并导航到 shape 目录，解压 data.tar.gz 文件。

使用方法

评估模型的命令如下： bash usage: evaluate.py [-h] [-n NMODEL] [-w WEIGHT] [-t TASK] [-s SCORE] model

positional arguments: model The model you want to evaluate, choose between CVAE, CGAN, PKVAE, PKGAN, PKVAE-GAN, PK-DIFF, PK-DIT

optional arguments: -h, --help show this help message and exit -n NMODEL, --nmodel NMODEL Number of trained models for standard deviation estimation (default: 1) -w WEIGHT, --weight WEIGHT Weight in front of the surface loss (default: 1) -t TASK, --task TASK Task to train on. Choose between "full", "scarce", "reynolds" and "aoa" (default: full) -s SCORE, --score SCORE If you want to compute the score of the models on the associated test set. (default: 0)

例如，评估 VAE 模型的性能： bash python evaluate.py vae -t scarce -n 2 -s 1

基准和基线

在论文中，我们构建了一个包含多种生成方法的代码库，包括基础技术如 cVAE、cGAN 以及高级模型如 PK-GAN、PK-VAE、PKVAE-GAN 和 PK-DiT。

不同数据集上的可控翼型生成任务

Method	Dataset	$sigma_{1}$	$sigma_{2}$	$sigma_{3}$	$sigma_{4}$	$sigma_{5}$	$sigma_{6}$	$sigma_{7}$	$sigma_{8}$	$sigma_{9}$	$sigma_{10}$	$sigma_{11}$	$ar{sigma}$	$mathcal{D}$ $uparrow$	$mathcal{M} downarrow imes 0.01$
CVAE	AF-200K	7.29	5.25	3.52	1590	9.9	9.55	2900	1.91	1.53	4.6	10.4	413.1	-155.4	7.09
CGAN	AF-200K	10.7	8.50	5.44	2320	14.3	13.7	5960	2.53	2.23	5.3	12.9	759.6	-120.5	7.31
PK-VAE	AF-200K	6.30	4.79	3.13	862	6.6	6.41	1710	1.35	0.93	3.3	7.8	237.5	-150.1	5.93
PK-GAN	AF-200K	8.18	6.30	4.70	2103	12.0	11.7	3247	2.25	1.96	5.0	12.7	492.3	-112.3	3.98
PKVAE-GAN	AF-200K	5.68	3.17	3.10	565	4.6	4.35	1200	0.91	0.51	2.8	6.3	163.3	-129.6	2.89
PK-DIFF	AF-200K	4.61	3.46	2.15	277	2.2	1.93	1030	0.70	0.11	2.4	3.1	120.6	-101.3	1.52
PK-DIT	UIUC	6.38	5.14	3.36	1183	8.7	8.49	2570	1.69	1.19	3.6	9.8	345.6	-141.7	6.03
PK-DIT	Super	5.20	3.50	2.40	301	2.9	3.32	1050	0.83	0.26	2.7	3.3	125.0	-123.4	1.97
PK-DIT	AF-200K	1.12	3.23	1.54	105	1.3	1.15	979	0.05	0.05	2.3	2.4	99.7	-93.2	1.04

关键点编辑 (EK) 和物理参数编辑 (EP) 任务

Method	Task	$sigma_{1}$	$sigma_{2}$	$sigma_{3}$	$sigma_{4}$	$sigma_{5}$	$sigma_{6}$	$sigma_{7}$	$sigma_{8}$	$sigma_{9}$	$sigma_{10}$	$sigma_{11}$	$ar{sigma}$	$mathcal{D}$ $uparrow$	$mathcal{M} downarrow imes 0.01$
PK-VAE	EK	9.3	8.33	5.27	2082	12.9	11.1	4620	2.51	2.04	5.1	11.8	615.5	-143.4	7.21
PK-VAE	EP	8.9	6.38	4.94	1780	10.9	9.4	4570	2.05	1.98	4.9	10.3	582.6	-150.8	7.19
PK-VAE²	EK	7.1	5.71	4.05	1430	8.0	8.1	3780	1.91	1.52	3.6	8.7	478.1	-133.4	6.20
PK-VAE²	EP	6.5	5.22	3.57	1010	7.8	7.3	2010	1.52	1.03	3.4	7.9	278.5	-135.6	6.36

搜集汇总

数据集介绍

构建方式

在航空工程领域，AFBench数据集的构建旨在为可控翼型逆设计研究提供一个全面且大规模的基准。该数据集通过收集和整理200,000个翼型数据点，涵盖了从基础到高级的多种生成方法，如cVAE、cGAN以及PK-GAN、PK-VAE等。数据集的构建过程中，研究人员不仅考虑了翼型的几何特性，还引入了物理参数的标注，以确保数据集在实际应用中的广泛适用性。

使用方法

使用AFBench数据集时，用户首先需要下载官方的AF-200K数据集，并按照指定的目录结构进行数据提取和组织。数据集提供了详细的训练、验证和测试分割文件，用户可以根据需要选择合适的数据子集进行实验。数据集还附带了评估代码，用户可以通过运行`evaluate.py`脚本来评估不同生成模型的性能。此外，数据集的代码库兼容PyTorch 1.13.1和CUDA 11.7，用户需根据自身计算资源安装相应的环境依赖。

背景与挑战

背景概述

AFBench数据集是由Jian Liu及其团队于2024年创建的，旨在为空气动力学领域的可控翼型逆向设计研究提供一个大规模的基准。该数据集的核心研究问题是如何在保持物理特性的同时，生成和编辑翼型设计。AFBench的推出，不仅为空气动力学研究提供了丰富的数据资源，还推动了相关领域在翼型设计与优化方面的技术进步。其影响力在于，通过提供一个标准化的评估平台，促进了不同算法和模型在翼型设计任务中的比较与改进。

当前挑战

AFBench数据集在构建过程中面临了多个挑战。首先，翼型设计的生成和编辑需要高度精确，以确保生成的翼型在物理上可行且性能优越。其次，数据集的多样性和覆盖范围需要广泛，以支持不同类型的翼型设计任务。此外，评估模型的性能时，需要考虑生成翼型的多样性、平滑性以及与物理量的误差，这些因素共同构成了数据集的主要挑战。

常用场景

经典使用场景

在航空工程领域，AFBench数据集的经典使用场景主要集中在可控翼型逆设计研究中。该数据集通过提供大规模的二维翼型数据，支持研究人员开发和验证生成模型，如条件变分自编码器（cVAE）和条件生成对抗网络（cGAN）。这些模型能够根据特定的物理参数生成新的翼型设计，从而在优化飞行器性能方面发挥关键作用。

解决学术问题

AFBench数据集解决了航空工程中翼型设计优化的核心问题。通过提供高质量的翼型数据，该数据集使得研究人员能够开发和测试复杂的生成模型，从而实现翼型的自动化设计和优化。这不仅提高了设计效率，还为探索新型翼型提供了可能，推动了航空工程领域的技术进步。

实际应用

在实际应用中，AFBench数据集被广泛用于飞行器设计和优化。工程师们利用该数据集训练的模型，能够快速生成满足特定性能要求的翼型设计，从而缩短设计周期并降低成本。此外，该数据集还支持在虚拟环境中进行翼型性能评估，为实际制造前的优化提供了有力工具。

数据集最近研究

最新研究方向

在航空工程领域，AFBench数据集的引入为空气动力学设计提供了新的研究方向。该数据集不仅涵盖了大规模的二维翼型数据，还整合了多种生成模型和评估方法，如cVAE、cGAN以及PK-GAN等，这些模型在翼型生成和编辑任务中展示了显著的性能。特别是，AFBench的基准测试结果显示，PK-VAE和PK-GAN在生成多样性和输出平滑度方面表现优异，这为未来翼型设计的自动化和优化提供了坚实的基础。此外，数据集的发布也促进了跨领域的合作，特别是在机器学习和航空工程的交叉研究中，推动了新型翼型设计方法的发展。