CN111625901B - 一种面向翼型的压力系数曲线智能生成方法 - Google Patents

一种面向翼型的压力系数曲线智能生成方法 Download PDF

Info

Publication number
CN111625901B
CN111625901B CN202010376465.2A CN202010376465A CN111625901B CN 111625901 B CN111625901 B CN 111625901B CN 202010376465 A CN202010376465 A CN 202010376465A CN 111625901 B CN111625901 B CN 111625901B
Authority
CN
China
Prior art keywords
pressure coefficient
coefficient curve
airfoil
wing
wing section
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010376465.2A
Other languages
English (en)
Other versions
CN111625901A (zh
Inventor
王岳青
邓亮
杨志供
赵丹
喻杰
陈呈
杨文祥
王昉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Computational Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202010376465.2A priority Critical patent/CN111625901B/zh
Publication of CN111625901A publication Critical patent/CN111625901A/zh
Application granted granted Critical
Publication of CN111625901B publication Critical patent/CN111625901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种面向翼型的压力系数曲线智能生成方法，包括以下步骤：步骤1、根据已有翼型库进行数据扩充得到翼型数据库，包含每个翼型对应的翼型坐标；步骤2、对每个翼型采用不同的来流条件组合计算对应的压力系数曲线，构建若干包含该翼型的翼型坐标、来流条件组合及来流条件组合对应的压力系数曲线坐标的数据对。步骤3、构建生成对抗网络模型；步骤4、利用每个翼型的所有数据对生成对抗网络进行训练得到生成网络模型；步骤5、将翼型、来流条件输入生成网络模型，输出该翼型的压力系数曲线。采用该方法无需迭代训练，大大减少计算量，较传统CFD方法速度更快，可以达到10‑100倍的加速比。

Description

一种面向翼型的压力系数曲线智能生成方法
技术领域
本发明涉及计算流体力学中压力系数预测领域，特别涉及一种面向翼型的压力系数曲线智能生成方法。
背景技术
作为飞机主要提供升力的机翼，对飞机的飞行性能和操纵性、稳定性具有很大的影响。翼型选择和设计是飞机设计前必须进行的重要工作。翼型的压力系数是一个无量纲数，它描述了翼型表面的相对压力，在翼型设计时必须考虑压力系数与升阻比，当压力系数过大，就会导致升力不足，从而影响飞机的爬升性能。压力系数曲线的准确预测能够有效预防这种情况。已有的压力系数曲线计算主要通过CFD模拟完成，计算耗时较长。在飞行器设计初期，需要针对上万种翼型在数十种不同来流条件下的压力系数曲线进行计算，需要进行数十万次CFD模拟，模拟时间太长，且一旦改变来流条件就要重新计算。尽管已经使用了工程近似的方法进行计算，但工程计算方法精度较差，且耗时仍然太长，当来流条件改变时需要重新计算。已有相关论文提出新的压力系数预测方法，但主要是物理方法，仅提高其计算精度，计算速度的提升有限或者没有提升。为了避免上述方法的缺点，本发明设计了一种压力系数曲线的智能预测方法，该方法使用深度神经网络，输入翼型和对应的来流条件后直接得到压力系数曲线，速度较CFD模拟和工程计算，加速比可达10-100倍。
目前尚无专利针对翼型的压力系数智能预测方法。较为相关的专利很少，公开可查的专利如CN107817520A。该专利提出一种海相泥页岩的压力系数预测。主要思路包括：准备钻井数据、测井数据与地震资料；针对超压页岩地层，选择敏感测井曲线，获取纵波速度与横波速度；基于钻井数据，分析钻井密度与纵波速度的关系，拟合优化Fillippone公式的系数，并基于再优化Fillippone公式，预测底层压力系数。该专利主要通过拟合系数的方法预测压力系数。
发明内容
本发明所要解决的技术问题是：针对上述存在的问题，提供了一种面向翼型的压力系数曲线智能生成方法，提出从翼型坐标+来流条件通过生成网络模型直接映射到压力系数曲线坐标，用于预测翼型在不同飞行参数下对应的压力系数曲线。
本发明采用的技术方案如下：一种面向翼型的压力系数曲线智能生成方法，其特征在于，包括以下步骤：
步骤1、根据已有翼型库进行数据扩充得到翼型数据库，包含每个翼型对应的翼型坐标；
步骤2、对每个翼型采用不同的来流条件组合计算对应的压力系数曲线，构建若干包含该翼型的翼型坐标、来流条件组合及来流条件组合对应的压力系数曲线坐标的数据对。
步骤3、构建生成对抗网络模型；
步骤4、利用每个翼型的所有数据对生成对抗网络进行训练得到固定参数的生成网络模型；
步骤5、将翼型、来流条件输入生成网络模型，输出该翼型的压力系数曲线；
进一步的，所述步骤1中，数据扩充的具体方法为：
步骤11、对已有翼型进行重构；
步骤12、在重构后翼型的翼型坐标中添加扰动，通过控制参数生成新的翼型。
进一步的，所述步骤11中，重构的具体方法为：基于型函数/类函数变换的参数化方对翼型坐标进行重构，计算M个控制系数，得到与原翼型相似的重构翼型，M大于等于1。
进一步的，所述步骤12中，添加扰动的具体方法为：
Figure GDA0003601173470000021
其中，x、y表示翼型坐标向量，N1、N2表示控制参数，通过调整控制参数生成新的翼型；Aj表示控制系数，y′表示新生成翼型的y坐标。
进一步的，所述计算压力系数曲线的具体方法为：采用CFD求解N-S方程计算得到压力系数曲线，其中，来流条件组合为马赫数、雷诺数、机翼攻角三个参数组合，采用离散化组合方式对三个参数进行组合得到若干组来流条件组合。
进一步的，所述步骤3中，构建生成对抗网络的具体方法为：采用深度神经网络构建生成对抗网络，包括生成器和判别器两部分，所述生成器输入为翼型坐标、来流条件组合，输出为压力系数曲线；所述判别器输入为压力系数曲线，输出为判别类型，所述判别类型包括生成器生成的结果数据和CFD计算得到的结果数据。
进一步的，所述构建的生成对抗网络中判别器和生成器的代价函数为：
Figure GDA0003601173470000022
Figure GDA0003601173470000031
其中，JD表示判别器的代价函数，JG表示生成器的代价函数，(Ii,ci,Ti)表示数据对，Ii表示输入的第i个数据对的翼型坐标，ci表示第i个数据对的攻角、马赫数和雷诺数，是一个三维向量，Ti表示使用CFD计算得到的压力系数曲线的坐标，D表示判别器，G表示生成器，N表示所有数据对的数量，即翼型个数乘以每个翼型对应的数据对个数的数量。
进一步的，所述步骤4中，训练具体方法为：将每个机翼的数据对输入生成对抗网络，通过交替训练方法，训练生成器G和判别器D直至收敛，之后固定生成器和判别器的各层参数，完成生成网络模型的训练。
所述面向翼型的压力系数曲线智能生成方法还包括，步骤6、对预测的压力系数曲线进行后处理，使用滑动窗口平滑去噪，得到光滑压力系数曲线。
与现有技术相比，采用上述技术方案的有益效果为：首先，发明提出从翼型坐标+来流条件通过生成网络模型直接映射到压力系数曲线坐标的方式需要保护，与已有的生成对抗网络中从图片到图片的映射不同，提取的是坐标之间的映射关系，生成的曲线更加准确；其次，本发明提出的是面向翼型的压力曲线预测方法，有别于现有技术中地底层的压力系数曲线预测方法；最后，本发明与传统CFD计算方法相比较，本发明的方法在实际应用阶段，生成器G的参数都已固定，无需迭代训练，大大减少计算量，因此较传统CFD方法速度更快，可以达到10-100倍的加速比。
附图说明
图1是是本发明中的压力系数曲线智能预测方法流程图
图2是本发明中的压力系数曲线智能预测方法中训练过程和测试过程。
图3是本发明中的生成对抗网络结构图。
具体实施方式
下面结合附图对本发明做进一步描述。
如图1所示，一种面向翼型的压力系数曲线智能预测方法，用于预测翼型在不同飞行参数下对应的压力系数曲线，具体步骤如下：
步骤1、根据已有翼型库进行数据扩充得到翼型数据库，包含每个翼型对应的翼型坐标；
步骤2、对每个翼型采用不同的来流条件组合计算对应的压力系数曲线，构建若干包含该翼型的翼型坐标、来流条件组合及来流条件组合对应的压力系数曲线坐标的数据对。
步骤3、构建生成对抗网络；
步骤4、利用每个翼型的所有数据对生成对抗网络进行训练得到生成网络模型；
步骤5、将翼型、来流条件输入生成网络模型，输出该翼型的压力系数曲线；
具体的，如图2所示，步骤1具体过程如下：
步骤1.1：采用基于型函数/类函数变换的参数化方法(CST)对已有的翼型进行重构，计算M个控制系数Ai，并得到与原翼型相似的重构翼型，其坐标与原翼型坐标相比更密集，属于插值后的结果，且其可以保证翼型上下表面曲线的点数相同。
步骤1.2：在步骤1.1得到的翼型坐标基础上，添加扰动，如公式1所示，通过控制参数生成新的翼型。
Figure GDA0003601173470000041
公式1中，x和y表示翼型的坐标向量，x＝[x1,x2,…,xd],y＝[y1,y2,…,yd],d表示翼型坐标点个数，公式1等号右侧第二项中点符号表示点乘运算，即向量中的元素与对应位置的元素求乘积。N1和N2即上面提到的控制参数，可以通过改变N1和N2生成新的翼型。公式1中的系数Aj表示CST方法拟合翼型后得到的控制系数，M表示控制点的数量。y’表示新生成的翼型y坐标。
所述步骤2的具体过程如下：
对步骤1中得到翼型数据库中的的N个翼型，采用不同的来流条件组合，使用CFD求解N-S方程计算对应的压力系数曲线，由于一个翼型可以对应多组不同的来流条件计算，来流条件使用马赫数(速度)、雷诺数和机翼攻角三个参数组合得到。
由于三个参数的组合数量巨大，因此在本实施例中采取离散化的组合方式，共得到200(本实施例优选为200，可以为若干组)组来流条件的参数组合，因此，一个翼型使用200组参数计算得到200个压力系数曲线。得到计算结果后构建数据对，形成200*N个数据对，所述数据对包括该翼型的翼型坐标、参数组合和计算的压力系数曲线的坐标。
所述步骤3的具体过程如下：
基于深度神经网络设计从翼型坐标映射为压力系数曲线的生成对抗网络，网络结构图如图2所示。网络结构包含生成器和判别器两个部分，生成器输入为翼型坐标(199*2)和来流条件组合(3维，包括攻角、马赫数、雷诺数)，输出为198*2的压力系数曲线，其中，198表示压力系数曲线采样点数量，2表示x和y两个维度的坐标。
生成对抗网络中判别器和生成器的代价函数是针对面向翼型气动压力系数曲线智能预测专门设计的，如公式2和3所示。
Figure GDA0003601173470000051
Figure GDA0003601173470000052
公式2和公式3中，(Ii,ci,Ti)表示步骤2得到的输入输出数据对，Ii表示输入的第i个数据对的翼型坐标，ci表示第i个数据对的攻角、马赫数和雷诺数，是一个三维向量，Ti表示使用CFD计算得到的压力系数曲线的坐标。D表示判别器，G表示生成器，D(Ti)表示判别器作用于真实压力系数曲线后的输出，G(Ii,ci)表示输入翼型坐标和来流条件经过生成器后生成的压力系数曲线坐标,D(G(Ii,ci))表示将生成的压力系数曲线送入判别器后的输出。
Figure GDA0003601173470000053
D(G(Ii,ci))表示D(G(Ii,ci))对G(Ii,ci)的偏导数。公式2中JD表示判别器的代价函数，JG表示生成器的代价函数。判别器D存在的目的是为了辅助生成器G的训练。
所述生成器包括编码器和解码器两部分，编码器负责将翼型编码，即输入翼型的坐标，通过编码器后得到128维的特征向量，解码器负责将翼型的特征向量与来流条件的特征向量结合并解码出压力系数曲线。
所述编码器包括6个卷积层，2个全连接层；解码器包括2个全连接层和6个卷积层。生成器的输入为翼型坐标、来流条件组合，输出为压力系数曲线，判别器用于判断输入数据是生成器生成的还是CFD计算得到的结果数据，输入为压力系数曲线，输出为判断类别，0表示CFD计算结果，1表示生成器生成结果，判别器包括6个卷积层。
所述步骤4的具体过程如下：
使用步骤2中产生的200*N组数据对，使用步骤3中设计的生成对抗网络，通过交替训练方法，训练生成器G和判别器D直至收敛，之后固定两个网络的各层参数不再变化。
所述步骤5的具体过程如下：
如图1所示，对于测试翼型I’，给定来流条件c’，直接输入到步骤4中训练得到的生成器G，得到G(I’,c’)，该输出即为预测的压力系数曲线。
在另一个优选实施例中，对步骤5中输出的压力系数曲线进行后处理操作，使用滑动窗口平滑去噪，得到更为光滑的压力系数曲线。
本发明与传统CFD计算方法相比较，本发明的方法在实际应用阶段，生成器G的参数都已固定，无需迭代训练，大大减少计算量，因此较传统CFD方法速度更快，可以达到10-100倍的加速比。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员，在不脱离本发明的精神所做的非实质性改变或改进，都应该属于本发明权利要求保护的范围。
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (4)

1.一种面向翼型的压力系数曲线智能生成方法，其特征在于，包括以下步骤：
步骤1、根据已有翼型库进行数据扩充得到翼型数据库，包含每个翼型对应的翼型坐标；
步骤2、对每个翼型采用不同的来流条件组合计算对应的压力系数曲线，构建若干包含该翼型的翼型坐标、来流条件组合及来流条件组合对应的压力系数曲线坐标的数据对；
步骤3、构建生成对抗网络模型；
步骤4、利用每个翼型的所有数据对生成对抗网络进行训练得到固定参数的生成网络模型；
步骤5、将翼型、来流条件输入生成网络模型，输出该翼型的压力系数曲线；
所述步骤1中，数据扩充的具体方法为：
步骤11、对已有翼型进行重构；
步骤12、在重构后翼型的翼型坐标中添加扰动，通过控制参数生成新的翼型；
所述步骤11中，重构的具体方法为：基于型函数/类函数变换的参数化方对翼型坐标进行重构，计算M个控制系数，得到与原翼型相似的重构翼型；
所述步骤12中，添加扰动的具体方法为：
Figure FDA0003601173460000011
其中，x、y表示翼型坐标向量，N1、N2表示控制参数，通过调整控制参数生成新的翼型；Aj表示控制系数，y′表示新生成翼型的y坐标；
所述步骤3中，构建生成对抗网络的具体方法为：采用深度神经网络构建生成对抗网络，包括生成器和判别器两部分，所述生成器输入为翼型坐标、来流条件组合，输出为压力系数曲线；所述判别器输入为压力系数曲线，输出为判别类型，所述判别类型包括生成器生成的结果数据和CFD计算得到的结果数据；
所述构建的生成对抗网络中判别器和生成器的代价函数为：
Figure FDA0003601173460000012
Figure FDA0003601173460000013
其中，JD表示判别器的代价函数，JG表示生成器的代价函数，(Ii,ci,Ti)表示数据对，Ii表示输入的第i个数据对的翼型坐标，ci表示第i个数据对的攻角、马赫数和雷诺数，是一个三维向量，Ti表示使用CFD计算得到的压力系数曲线的坐标，D表示判别器，G表示生成器，N表示所有数据对的数量，即翼型个数乘以每个翼型对应的数据对个数的数量；D(Ti)表示判别器作用于真实压力系数曲线后的输出，G(Ii,ci)表示输入翼型坐标和来流条件经过生成器后生成的压力系数曲线坐标,D(G(Ii,ci))表示将生成的压力系数曲线送入判别器后的输出；
Figure FDA0003601173460000021
表示D(G(Ii,ci))对G(Ii,ci)的偏导数。
2.根据权利要求1所述的面向翼型的压力系数曲线智能生成方法，其特征在于，所述步骤2中，计算压力系数曲线的具体方法为：采用CFD求解N-S方程计算得到压力系数曲线，其中，来流条件组合为马赫数、雷诺数、机翼攻角三个参数组合，采用离散化组合方式对三个参数进行组合得到若干组来流条件组合。
3.根据权利要求1所述的面向翼型的压力系数曲线智能生成方法，其特征在于，所述步骤4中，训练具体方法为：将每个机翼的数据对输入生成对抗网络模型，通过交替训练方法，训练生成器G和判别器D直至收敛，之后固定生成器和判别器的各层参数，完成生成网络模型的训练。
4.根据权利要求1所述的面向翼型的压力系数曲线智能生成方法，其特征在于，还包括，步骤6、对预测的压力系数曲线进行后处理，使用滑动窗口平滑去噪，得到光滑压力系数曲线。
CN202010376465.2A 2020-05-07 2020-05-07 一种面向翼型的压力系数曲线智能生成方法 Active CN111625901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010376465.2A CN111625901B (zh) 2020-05-07 2020-05-07 一种面向翼型的压力系数曲线智能生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010376465.2A CN111625901B (zh) 2020-05-07 2020-05-07 一种面向翼型的压力系数曲线智能生成方法

Publications (2)

Publication Number Publication Date
CN111625901A CN111625901A (zh) 2020-09-04
CN111625901B true CN111625901B (zh) 2022-05-31

Family

ID=72259008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010376465.2A Active CN111625901B (zh) 2020-05-07 2020-05-07 一种面向翼型的压力系数曲线智能生成方法

Country Status (1)

Country Link
CN (1) CN111625901B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705126A (zh) * 2019-10-24 2020-01-17 南京航空航天大学 一种直升机旋翼翼型确定方法及系统
EP3613995A1 (en) * 2017-04-17 2020-02-26 Ihi Corporation Method for designing blade of axial-flow fluid machine and blade

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8936441B2 (en) * 2012-06-19 2015-01-20 General Electric Company Airfoil shape for a compressor

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3613995A1 (en) * 2017-04-17 2020-02-26 Ihi Corporation Method for designing blade of axial-flow fluid machine and blade
CN110705126A (zh) * 2019-10-24 2020-01-17 南京航空航天大学 一种直升机旋翼翼型确定方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A new optimization method of wind turbine airfoil performance based on Bessel equation and GABP artificial neural network;HaoWen等;《Energy》;20191115;1-10 *
基于深度学习的混合翼型前缘压力分布预测;廖鹏等;《航空动力学报》;20190806;1751-1758 *
神经网络在风力机翼型气动性能优化中的应用;王邦祥等;《机械设计与制造》;20200308(第03期);236-240 *

Also Published As

Publication number Publication date
CN111625901A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN106372402B (zh) 一种大数据环境下模糊区域卷积神经网络的并行化方法
Rai et al. Aerodynamic design using neural networks
CN110009150B (zh) 数据驱动的致密储层物性参数智能预测方法
JP6832475B1 (ja) ランダムアイソジオメトリック解析に基づくブレードの高剛性の設計方法
CN112083498B (zh) 一种基于深度神经网络的多波地震油气储层预测方法
CN110705029B (zh) 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法
CN112084727A (zh) 一种基于神经网络的转捩预测方法
CN113836634B (zh) 一种大差异性气动数据的深度神经网络建模方法
CN113610945B (zh) 一种基于混合神经网络的地应力曲线预测方法
CN110222828A (zh) 一种基于混合深度神经网络的非定常流场快速预测方法
CN106529667A (zh) 一种大数据环境下基于模糊深度学习的测井相识别与分析方法
CN103454677A (zh) 基于粒子群与线性加法器结合的地震数据反演方法
CN111814246A (zh) 一种基于生成对抗网络的翼型反设计方法
CN111722283B (zh) 一种地层速度模型建立方法
CN111058840A (zh) 一种基于高阶神经网络的有机碳含量(toc)评价方法
CN111625901B (zh) 一种面向翼型的压力系数曲线智能生成方法
CN106446514A (zh) 一种基于模糊理论和神经网络的测井相识别方法
Shen et al. Physical Asymptotic-Solution nets: Physics-driven neural networks solve seepage equations as traditional numerical solution behaves
Bahari et al. Intelligent drilling rate predictor
Chen et al. Upscaled modeling of well singularity for simulating flow in heterogeneous formations
CN110486009A (zh) 一种无限大地层的参数自动反求方法及系统
CN114880767A (zh) 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法
Clarich et al. A Competitive Game Approach for Multi Objective Robust Design Optimization
Hollom et al. Quantification and multi-point optimization of natural laminar flow airfoil robustness to transition amplification factor
CN114861292B (zh) 一种基于深度学习的飞行器几何特征和参数联合建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant