Neural network prediction of airfoil aerodynamics: impact of flow regime and airfoil thickness on model accuracy

Neural network surrogate models offer a fast alternative to traditional aerodynamic simulations by learning relationships between airfoil geometry, flow conditions and aerodynamic quantities. In this work, two neural network approaches are compared for predicting lift, drag and pressure coefficients of two-dimensional airfoils: a coordinate-based fully connected feedforward neural network (FNN) and an image-based convolutional neural network (CNN). The models are trained using a large dataset of 818 airfoils and over 750,000 aerodynamic cases, with aerodynamic data generated using XFOIL. Results highlight the strong influence of flow regime and airfoil thickness on prediction accuracy. Both models accurately predict aerodynamic quantities in pre-stall conditions, with lift being the most reliable coefficient. The CNN provides better generalization for drag and pressure distributions, while the FNN offers significantly faster training, allowing analysis on multiple datasets and operating regimes. Prediction accuracy decreases in post-stall conditions due to increased flow complexity. Overall, neural networks provide efficient and accurate aerodynamic prediction, with performance depending on geometric representation and flow regime.

I modelli surrogati basati su machine learning rappresentano una valida alternativa alle tradizionali simulazioni aerodinamiche, poiché consentono di apprendere direttamente dai dati la relazione tra la geometria del profilo alare, le condizioni di flusso e le grandezze aerodinamiche di interesse. In questo lavoro sono stati analizzati e confrontati due approcci basati su reti neurali per la previsione dei coefficienti di portanza, di resistenza e di pressione superficiale di profili alari bidimensionali: una feedforward neural network (FNN) basata sulla rappresentazione geometrica tramite coordinate e una convolutional neural network (CNN) che utilizza rappresentazioni sotto forma di immagini. I modelli sono stati addestrati su un ampio dataset composto da 818 profili alari e oltre 750.000 casi aerodinamici, i cui dati sono stati generati mediante XFOIL. I risultati mostrano che l’accuratezza delle previsioni è fortemente influenzata sia dal regime di flusso sia dallo spessore del profilo alare. In condizioni di pre-stallo, entrambi i modelli forniscono previsioni accurate, con il coefficiente di portanza che risulta la grandezza più affidabile. La CNN evidenzia una migliore capacità di generalizzazione, in particolare per la previsione del coefficiente di resistenza e delle distribuzioni del coefficiente di pressione, mentre la FNN presenta tempi di addestramento molto più ridotti, permettendo un’analisi più estesa su diversi dataset e condizioni operative. In condizioni di post-stallo, l’accuratezza diminuisce per entrambi i modelli a causa della maggiore complessità del flusso. Nel complesso, le reti neurali si confermano uno strumento efficace e a basso costo computazionale per la previsione aerodinamica, con prestazioni che dipendono sia dalla rappresentazione geometrica adottata sia dal regime di flusso considerato.