peterdsharpe/NeuralFoil

解決的問題

NeuralFoil 提供了一種快速且可靠的翼型空氣動力分析方法。它取代了傳統工具 XFoil，避免了在大規模批量分析或基於梯度的形狀最佳化中常見的不收斂問題、預測結果『鋸齒狀』以及高計算成本等問題。

工作原理

這是一種物理資訊驅動的機器學習與解析模型的混合方法。核心是一個基於約800萬次 XFoil 運行資料訓練的神經網路，採用 CST（Kulfan）參數化來描述翼型幾何。該工具可作為獨立的 Python/NumPy 實作，用於快速執行，也可整合至 AeroSandbox 中，以支援壓縮性空氣動力（跨音速/超音速）、失速後分析以及控制面偏轉等進階功能。

適用對象

需要在設計最佳化、飛行模擬或即時控制系統中進行快速、可微分且穩健的翼型性能預測的空氣動力學工程師、飛機設計師與研究人員。

主要亮點

• 極高速度：單次分析比 XFoil 快達30倍，多點批量分析快約1000倍。
• 高穩健性：保證返回結果，不會出現收斂失敗，並提供 $C^\infty$-連續輸出，非常適合基於梯度的最佳化。
• 自我評估置信度：包含 analysis_confidence 指標，可標記分布外查詢或敏感流動條件。
• 強泛化能力：即使對於訓練集中未包含的翼型，包括具有極端控制面偏轉的翼型，也能實現準確預測。