AirfRANS 翼型气动高保真代理模型基准案例
新一、简介
代理模型评测的困难不在于训出一个模型,而在于让不同团队的数字可比。训练集怎么切、测试集怎么选、误差怎么归一,这三件事只要有一处不同,两篇论文里的精度就不构成对照。AirfRANS 把这三件事一并固定下来:它由 1000 次高保真翼型稳态 RANS 构成,覆盖 NACA 4 位与 5 位系列翼型,并围绕同一份语料定义四类机器学习任务——全数据、稀疏数据、雷诺数外推与攻角外推。它同时给出了表面应力的量化指标与边界层可视化手段,提醒评测者:一个场预测得「看起来对」,与一个升阻力系数算得「可用」,是两件事。
本条目是案例研究,聚焦基准本身的设计逻辑,单个模型的成绩不作为本文重点。它说明这批数据是用什么设置算出来的(求解器、湍流模型、网格与边界层分辨率),四类任务各自检验什么能力,指标口径如何解读,以及此前本站条目中若干无法核实的说法应当如何纠正。读者包括需要一套可信气动代理评测协议的算法工程师、复核「用代理替代部分风洞试验」这一主张的适航与气动团队,以及做通用算子学习、需要一份口径清晰的二维湍流基准的研究者。算子选型的判据写在神经算子选型指南,成本折算的口径写在传统求解器成本边界。
范围限制先讲清楚:来源是 NeurIPS 2022 数据集与基准赛道的论文及其公开数据,许可为 ODbL v1.0;论文报告的是它自己提出的四个基线模型的成绩,第三方方法在本文中不列举,因为各家划分与指标不统一。本文因此把「基准设计事实」与「本文的解读」分开陈述,核对日期为 2026 年 11 月 11 日。
二、原理与工作方式
数据来源有两条线。几何来自 NACA 的早期翼型工作:4 位与 5 位系列是完全参数化的,可以快速生成大量形状。4 位系列的记法是 MPXX,其中 M 为最大弯度百分比、P 为最大弯度位置(以十分之一弦长计)、XX 为最大厚度百分比;采样时 M 在 0 到 7 之间均匀取样,P 在 0 到 7 之间均匀取样后把小于 1.5 的值置零,以剔除最大弯度过靠近前缘的病态几何,XX 在 5 到 20 之间。5 位系列记作 LPQXX,L 与 P 定义弯度、Q 取 0 或 1 以区分单弯度与双弯度、XX 仍为厚度;采样范围分别是 L 在 0 到 4、P 在 3 到 8、Q 取集合 {0, 1}、XX 在 5 到 20。网格则依托 NASA 兰利研究中心的湍流建模资源库(TMR)中的二维算例库,这是数据能被称为「高保真」的物质基础。
物理设定是二维不可压稳态 RANS,海平面标准大气、温度 298.15 K,雷诺数在 2×10⁶ 到 6×10⁶ 之间,对应马赫数小于 0.3,因而可作不可压处理,来流速度大于 30 m/s。湍流模型选 k-ω SST,论文给出理由是该模型在分离流与升阻力预测上表现良好。攻角范围从 −5° 到 15°:下限取 −5° 使有弯度翼型的升力系数大致为零,上限取 15° 以避开失速与翼型尾迹中的非定常模式。
数值实现由 OpenFOAM v2112 承担,用 blockMesh 生成多块六面体 C 形网格,几何参考 NASA 的 NACA 0012 与 NACA 4412 网格设计,远场边界距离翼型约 200 倍弦长。每个算例的网格规模在 25 万到 30 万单元之间,翼型表面首层网格高度 2 微米,最差工况的无量纲壁面距离约等于 1,属于低雷诺策略——直接解析到壁面,才能算准摩擦阻力。求解器为稳态 RANS 的 simpleFOAM,压力与速度耦合采用 SIMPLEC 算法。单次仿真在 16 个 CPU 核(AMD Ryzen Threadripper 3960X)上耗时约 25 分钟,全数据集生成约耗费 20 天机时。
交付的数据产品按边界切分:内部流域文件裁剪到 [(-2, 4), (-1.5, 1.5), (0, 1)] 范围的箱体并在 z=0.5 处切片成二维,含压力、速度、湍流黏度与距离函数;翼型内边界文件含压力、速度、湍流黏度与法向量;外边界文件含压力、速度与湍流黏度。数据集另提供保留 OpenFOAM 原生输出的原始版本,便于需要完整求解器输出的使用者复现。
三、适用边界与前提
第一层前提是二维稳态不可压。翼型截面问题与真实机翼或整车的三维非定常流动属于不同问题类别,二维稳态的结论不能直接搬到三维非定常工况。第二层前提是亚音速与给定雷诺数区间:马赫数小于 0.3 的假设排除了激波与跨音速效应,雷诺数 2×10⁶ 到 6×10⁶ 的区间对应特定弦长与风速组合下的边界层状态。攻角上限 15° 是刻意选择的物理边界,靠近失速区的数据并不存在,模型在更大攻角下的行为没有语料支撑。
第三层前提是网格与壁面分辨率。25 万到 30 万单元、首层 2 微米、无量纲壁面距离约等于 1,这套设置决定了数据集里的阻力值已经包含可信的摩擦贡献。若下游使用者把网格粗化到万级单元量级再重训,得到的是与本基准不可比的阻力偏差;换言之,基准的可比性绑定在网格口径上。
第四层前提是指标定义。论文用 ρ_D 与 ρ_L 表示拖曳系数与升力系数的相对误差,以百分比形式给出,同时用斯皮尔曼等级相关系数衡量排序能力。壁面剪切应力不由模型直接回归,而是从速度场导出。这一设计带来一个重要后果:模型的场误差会被积分放大为系数误差,场看着接近并不意味着系数可用。因此指标必须与「下游要什么量」对齐:若下游需要升力,ρ_L 是主指标;若下游要阻力,ρ_D 是主指标,二者的难度差异正是论文强调的现象。指标定义与代理建模口径可对照代理模型与降阶合集。
第五层前提是许可。数据集与生成代码、机器学习实验与基线代码均采用 Open Data Commons 开放数据库许可 v1.0,允许商用、分发、修改与私用,要求披露来源、保留许可与版权声明,并以相同许可分发衍生数据库。这一条款对「把本基准数据并入内部训练集再发布模型」的做法有直接约束,商业化前应当逐条核对。
四、上手路径
第一步是选数据形态。数据集同时提供预处理版与原始 OpenFOAM 版,前者把算例整理成内部流域、翼型边界与外边界三类文件,可直接进入标准机器学习加载流程;后者保留求解器原生输出,适合需要自行后处理或复算的用户。配套 Python 库提供一行命令下载,也可经 PyTorch Geometric 的数据集接口获取。一般使用者应从预处理版起步,把算力留给模型侧。
第二步是明确任务。四个任务检验的是不同能力:全数据任务检验拟合上限;稀疏数据任务把训练集压到 200 例,检验标签效率;雷诺数外推任务在训练区间之外测试,检验跨工况迁移;攻角外推任务检验跨姿态迁移。研究问题若落在「同一工况下的代理精度」,应跑全数据任务;落在「少标注能不能用」,跑稀疏任务;落在「新工况上线能不能信」,跑外推任务。任务选错会让所有精度数字失去意义。
第三步是建立基线。论文提供四个基线:多层感知机只使用节点自身特征,图聚合网络引入局部邻域信息,点网在深层多层感知机上叠加全局特征,图 U-Net 用多尺度结构从局部邻域逐步访问全局邻域;每个模型训练 5 次以报告均值与标准差。先跑通这四个基线,是判断自己的实现是否正确的最直接手段——与公开数字对不上时,问题通常出在数据划分或指标实现,模型本身较少是原因。
第四步是评估细节。升阻力系数由预测场积分得到,因此评估要同时看三样东西:相对误差、斯皮尔曼等级相关系数,以及边界层可视化。论文专门提供边界层可视化作为诊断手段,因为一个在尾迹与分离区出错的模型,往往在系数上仍能给出尚可的数字。场与可视化工具可参照 PyVista 与数值与求解器合集的做法。
五、横向对比
第一类对照是同族的三维基准。DrivAerML 提供 500 个参数化整车的尺度分辨 CFD 结果,单例网格约 1.6 亿单元,采用瞬态 SIMPLE 与 SA-σσ-DDES 混合模型;与 AirfRANS 的二维稳态、25 万至 30 万单元、k-ω SST 形成鲜明对照。两者的网格规模相差三个数量级,湍流建模层次不同,代理模型的输入表示与显存预算也随之不同。把二者放在一起排序是不成立的,比较的意义在于看清「问题规模如何改变方法选择」——汽车外流气动案例记录了整车一侧的完整口径。
第二类对照是同类基准中的求解器差异。SU2 是独立于 OpenFOAM 的另一套开源求解器,可作翼型算例的交叉验证工具,但 AirfRANS 本身只使用 OpenFOAM v2112,SU2 未出现在其数据生成链路中。审阅时若发现「SU2 参与生成了这份数据」的说法,可以直接否定。SU2 工具条目与SU2 气动优化案例给出了这一侧的应用面。
第三类对照是方法路线。同为翼型气动代理,傅里叶神经算子与深奥普算子在此类规则参数化网格上表现突出,其教程与论文可分别在 FNO 教程、DeepONet 教程与 FNO 论文、DeepONet 论文中查到。然而 AirfRANS 自身的四个基线里并没有算子类方法,公开文献中该基准上的第三方方法成绩划分与指标口径也不统一,把它们汇成一张排名表会误导。神经算子实践教程给出的报告清单适合逐项对齐后再比较。
第四类对照是降阶模型。当设计参数变化平滑、关注量只有少数积分系数时,本征正交分解一类的经典降阶方法既便宜又可审计,在这类问题上常常优于需要大规模语料的深度模型。神经算子选型指南把「按问题类型选法」的判据写得更细。
六、基准与数据
规模口径清晰:1000 次 RANS 仿真,每次由一个翼型、一个雷诺数与一个攻角共同确定,每例网格 25 万至 30 万单元;网格取自 NASA 兰利湍流建模资源库的二维算例库;单次求解在 16 核上约 25 分钟,全量生成约 20 天机时;数据以 ODbL v1.0 发布,代码与实验一并开放。
任务口径是这套基准最有价值的部分。全数据任务用 800 例训练、200 例测试;稀疏数据任务只用 200 例训练,测试集与全数据任务相同,因此两者构成严格受控的数据效率对照。雷诺数外推任务的训练样本落在雷诺数 3×10⁶ 到 5×10⁶,测试样本取 2×10⁶ 到 3×10⁶ 与 5×10⁶ 到 6×10⁶ 两段;攻角外推任务的训练样本落在 −2.5° 到 12.5°,测试样本取 −5° 到 −2.5° 与 12.5° 到 15° 两段。论文未在正文给出验证集规模,也未列出外推任务各自的样本条数,本文因此不引用这三项。
成绩口径以论文基线为准。论文的结论是拖曳系数的预测难度明显高于升力系数:在全数据任务上,图聚合网络基线的拖曳系数相对误差 ρ_D 为 4.05%±0.70%,升力系数相对误差 ρ_L 为 0.52%±0.16%;到了域外,雷诺数外推任务的 ρ_D 升至 8.97%±1.28%,攻角外推任务为 5.59%±1.09%。更值得警惕的是排序能力:外推工况下拖曳系数的斯皮尔曼等级相关系数已落到零附近,说明模型在域外基本失去了对阻力大小的排序能力,而排序能力恰恰是代理用于方案筛选时最实用的性质。这两个数字都出自论文表格,第三方方法在本基准上的成绩因划分与指标不统一,本文不予引用。评测报告的写法可对照 PDEBench 与 CFD 基准 的曲线规范。
七、物理 AI 场景中的用法
AirfRANS 在物理 AI 流水线里的定位是「口径可信的评测基准」,与数据工厂类基准互补。数据工厂解决的是语料从哪来,本基准解决的是「算得好不好」这个判断本身是否可信。对于要向管理层证明「代理可以替代部分风洞试验」的团队,一套固定的划分与指标就是最省事的论据:同一个测试集、同一把尺子、四个模型分数高低分明。
四条使用线各有归属。其一是方法筛选:把自研模型放进四个任务,看它在哪一类能力上掉队,尤其是外推任务——掉队的位置往往比总分更能说明该补什么。其二是能力边界界定:用稀疏数据任务给出「标注量与精度」的曲线,据此回答在什么标注预算下代理可用。其三是失效检测:把斯皮尔曼相关系数纳入常规监控指标,一旦排序能力塌陷,代理就只能用于插值而不能用于筛选。其四是回归防护:新模型上线前跑一遍固定任务集,防止既有精度悄然退化。
在设计优化语境里,这套基准还可以充当便宜的筛查层:一轮代理筛出候选,再用高保真求解复核被选中的少数样本,模拟预算因此集中投在代理不确定处。这与整车基准上的分工结构同构,混合流固代理案例记录了相近的模式。整体方法路径可对照物理 AI 学习路径。
八、不适用场景与失效模式
第一类失效来自维度与工况。二维稳态结果无法回答三维机翼的展向流动、翼身干扰、螺旋桨滑流或非定常抖振问题;恒定来流也无法回答阵风与剪切流。攻角上限 15° 之外接近失速的区段没有语料,模型在该区间的输出没有依据。雷诺数超出 2×10⁶ 到 6×10⁶ 时,边界层状态改变,摩擦阻力占比随之变化,同样超出支撑范围。
第二类失效来自指标与用途的错配。ρ_D 与 ρ_L 的难度差异说明「场预测得准」与「升阻力算得准」并不同步;而斯皮尔曼相关系数接近零这一现象进一步表明,在外推工况下代理的数值输出即便误差仍在百分之几量级,其排序也可能毫无价值。把代理嵌入设计循环做方案排序时,只看相对误差会得到过于乐观的结论。
第三类失效来自网格口径被悄悄改变。基准的可比性绑定在 25 万到 30 万单元、首层 2 微米、无量纲壁面距离约等于 1 的设置上。若下游为了省算力把网格粗化到万级单元,摩擦阻力会被系统性低估,此时模型误差与网格误差叠加,指标下降无法归因。反之,若用同一批几何在高密度网格上重算并作为新标签,得到的分数与论文数字也不构成同一基准。
第四类失效来自指标实现细节。阻力系数由预测场积分得到,因此网格排列、法向量朝向、积分面片面积权重都会影响结果;壁面剪切应力若被误当作直接回归量处理,与官方实现的口径也会不同。这类差异不会报错,只会让分数莫名其妙地差一截,因此复现时应当先用官方基线对齐数值,再动自己的实现。求解器侧的对照可用 OpenFOAM 自行复算一两个算例,物理信息方法的对照见 DeepXDE 与 PhysicsNeMo。
九、版本与口径核对
记录一:arXiv:2212.07564 标题为「AirfRANS: High Fidelity Computational Fluid Dynamics Dataset for Approximating Reynolds-Averaged Navier-Stokes Solutions」,作者为 Florent Bonnet、Ahmed Joclyn Mazari、Paola Cinnella、Patrick Gallinari,v1 提交于 2022 年 12 月 15 日,最新修订版为 v3(2023 年 6 月 1 日),正式发表于 NeurIPS 2022 数据集与基准赛道。目录中的 year 取 2022,指该会议发表年份。
记录二:机构归属需要更正。此前本站条目称相关工作来自 Orléans 与 Stuttgart,核查后不成立。AirfRANS 由 Extrality 与巴黎大学体系的团队合作完成,公开署名机构包括 Sorbonne Université、CNRS、ISIR、Extrality 与 Criteo AI Lab。机构名单不影响数据本身,但影响读者对「谁维护这套基准」的理解,故予更正。
记录三:翼型系列需更正。原文写「NACA 4/6 位」,实际为 4 位与 5 位系列;「6 位」在全文检索中无命中。相关的 NACA 报告编号亦需更正:原文引用的「NACA Report 1469」在核查中查无此报告;与本数据集几何真正相关的是 NACA Report 460(Jacobs、Ward、Pinkerton,1933,78 个相关翼型截面在变密度风洞的试验,建立了 4 位编号体系)与 NACA Report 824(Abbott、von Doenhoff、Stivers,1959,翼型数据汇总,覆盖 4 位、5 位、6 系与 7 系)。
记录四:「NASA 官方 NACA 0012 公开数据集」的说法不成立。NASA 确实公开了 NACA 0012 与 NACA 4412 的网格设计,AirfRANS 也确实参考了这两套设计,但它使用的 1000 个算例网格来自 NASA 兰利湍流建模资源库的二维算例库,并非一个名为「NACA 0012 公开数据集」的产品。把风洞试验报告与计算算例库混为一谈,会让读者误以为数据集含实测对照数据,实际并不含。
记录五:撤回三项无法核实的精度数字。此前条目给出的「RANS 单次评估 2 到 4 小时」「FNO 约 10 毫秒且拖曳系数误差低于 5%」「DeepONet 约 5 毫秒且误差低于 8%」「CNN 约 2 毫秒且误差低于 10%」四组数字,均无法在公开文献中找到对应的一手报告。本数据集确实只使用 OpenFOAM v2112,SU2 未出现在数据生成链路中;论文自带的基线只有多层感知机、图聚合网络、点网与图 U-Net 四种,其中不含傅里叶神经算子与深奥普算子。因此上述四组数字全部撤回,替代口径以本条目第六节所引论文基线为准。
记录六:求解耗时需更正。论文报告单次仿真在 16 核上约 25 分钟,全数据集约 20 天机时;「2 到 4 小时」的量级与来源不符。记录七:许可口径确认为 ODbL v1.0,同时覆盖数据集、生成代码与实验代码。记录八:四类任务的训练与测试样本数按论文原文引用(800/200、200/200、雷诺数 3–5×10⁶ 训练对 2–3×10⁶ 与 5–6×10⁶ 测试、攻角 −2.5°–12.5° 训练对两段外推测试),验证集规模与外推任务样本条数在正文中未给出,本文不予推断。
十、参考资料
- Bonnet F., Mazari A.J., Cinnella P., Gallinari P., “AirfRANS: High Fidelity Computational Fluid Dynamics Dataset for Approximating Reynolds-Averaged Navier-Stokes Solutions”, arXiv:2212.07564, v1 2022-12-15, v3 2023-06-01; NeurIPS 2022 Datasets and Benchmarks Track.
- arXiv 记录页与全文(v3), arxiv.org/abs/2212.07564,2026-11-11 核对。
- AirfRANS 论文的 HAL 开放存档版本, hal.science/hal-03806092,2026-11-11 核对。
- AirfRANS 实验与基线代码仓库, github.com/Extrality/AirfRANS,以及新仿真代码仓库 github.com/Extrality/NACA_simulation。
- AirfRANS Python 库文档, airfrans.readthedocs.io。
- Ladson C.L., Johnson W.G., “Simulation of the Two-Dimensional Incompressible Navier-Stokes Equations”, NASA TM 811103 / Turbulence Modeling Resource 2DN00 算例库。
- Jacobs E.N., Ward K.E., Pinkerton R.M., “The Characteristics of 78 Related Airfoil Sections from Tests in the Variable-Density Wind Tunnel”, NACA Report 460 (1933).
- Abbott I.H., von Doenhoff A.E., Stivers L.S., “Summary of Airfoil Data”, NACA Report 824 (1959).
- Menter F.R., “Two-equation eddy-viscosity turbulence models for engineering applications”, AIAA Journal 41 (2003) 3-22.
- Sánchez-González A. et al., “Fourier Neural Operator for Parametric Partial Differential Equations”, ICLR 2021.
- Lu L. et al., “Learning nonlinear operators via DeepONet based on the variational principle for a class of PDEs”, Nature Communications 12 (2021) 4737.
- DClaw 研究部,《神经算子选型指南》,本站综述(2026-11-11)。
本文基于公开文献与官方文档整理,仅供参考,不构成工程或投资建议。资料核查截至 2026 年 11 月 11 日;文中性能数字均取自原论文自带的四个基线模型,第三方方法在相同划分下的成绩因口径不统一未予引用。