peterdsharpe/NeuralFoil

解决的问题

NeuralFoil 提供了一种快速且可靠的翼型气动分析方法。它取代了传统工具 XFoil，避免了在大规模批量分析或基于梯度的形状优化中常见的不收敛问题、预测结果‘锯齿状’以及高计算成本等问题。

工作原理

这是一种物理信息驱动的机器学习与解析模型的混合方法。核心是一个基于约800万次 XFoil 运行数据训练的神经网络，采用 CST（Kulfan）参数化来描述翼型几何。该工具可作为独立的 Python/NumPy 实现，用于快速运行时执行，也可集成到 AeroSandbox 中，以支持压缩性气动（跨音速/超音速）、失速后分析以及控制面偏转等高级功能。

适用人群

需要在设计优化、飞行仿真或实时控制系统中进行快速、可微分且稳健的翼型性能预测的空气动力学工程师、飞机设计师和研究人员。

主要亮点

• 极高速度：单次分析比 XFoil 快达30倍，多点批量分析快约1000倍。
• 高鲁棒性：保证返回结果，不会出现收敛失败，并提供 $C^\infty$-连续输出，非常适合基于梯度的优化。
• 自我评估置信度：包含 analysis_confidence 指标，可标记分布外查询或敏感流动条件。
• 强泛化能力：即使对于训练集中未包含的翼型，包括具有极端控制面偏转的翼型，也能实现准确预测。