CN111814246A - 一种基于生成对抗网络的翼型反设计方法 - Google Patents
一种基于生成对抗网络的翼型反设计方法 Download PDFInfo
- Publication number
- CN111814246A CN111814246A CN202010530568.XA CN202010530568A CN111814246A CN 111814246 A CN111814246 A CN 111814246A CN 202010530568 A CN202010530568 A CN 202010530568A CN 111814246 A CN111814246 A CN 111814246A
- Authority
- CN
- China
- Prior art keywords
- airfoil
- rec
- curve
- generator
- coordinate
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
Description
技术领域
本发明涉及一种翼型反设计方法。
背景技术
飞行器设计过程中,需要对机翼/翼型进行气动选型。在该阶段,会产生大量的翼型几何形状并进行计算流体力学(CFD)模拟计算,按照计算结果选择满足气动需求的翼型形状。但此过程中需要进行大量的CFD计算,耗时较长,且设计的翼型不一定能完全符合气动性能要求,这种方法针对性不强,降低了飞行器设计的效率。为此,研究人员采用反设计的方法,固定气动性能要求,比如给定升阻比、压力系数曲线等,反推出翼型形状。这种方法能够直接构成飞机翼型气动性能与几何形状的联系,从而获得更加快捷、更加直接的翼型设计方法。目前已有工作进行了翼型的反设计工作,但无论从精度还是从时间方面都与真实应用具有较大差距。
翼型的气动设计分为翼型优化和翼型反设计两类方法,翼型反设计是在给定翼型表面气动特性的前提下通过求解空气动力学反问题,获得对应的翼型几何形状。目前较为常用的方法包括基于保角变换的反设计方法、余量修正法。其中余量修正法是工程常用的方法,主要思路是基于初始翼型的目标压力差量计算几何外形修正量,叠加于初始翼型上并反复迭代得到最终翼型。专利CN104699901A中提出一种基于差量采样解的GappyPOD翼型反设计方法,该专利首先需要对一组扰动翼型进行CFD计算得到,同时还需要迭代求解,其中CFD计算过程耗时较长,迭代次数较多时,整个过程耗时较长。专利CN 104834772A提出一种基于人工神经网络的飞机翼型/机翼反设计方法,该方法与本发明的技术较为接近,该专利属于参数化设计方法,需要先对压力分布曲线进行参数化处理,而参数化技术会带来一定的曲线描述精度问题,尤其在该专利步骤1中,使用了多项式拟合翼型上下表面,其精度损失较大。在该专利步骤3中得到的翼型几何数据库与气动参数中,仅考虑了翼型与气动参数的联系,没有考虑马赫数、雷诺数、攻角等因素的影响,实际情况中,相同翼型在不同马赫数、雷诺数和攻角情况下得到的气动参数完全不同。该专利步骤4中网络较为简单,均为浅层神经网络,无法适配气动参数到翼型的复杂非线性映射关系。
发明内容
本发明所要解决的技术问题是:克服现有技术的不足,本发明公开一种基于生成对抗网络的翼型反设计方法,通过压力系数曲线直接推导出翼型形状,同时推导出当前压力系数曲线对应的马赫数、雷诺数及攻角,本发明的方法更高效,更精确。
本发明所采用的技术方案是:一种基于生成对抗网络的翼型反设计方法,包括步骤如下:
步骤1:构建翼型-气动曲线数据库,数据库中包括N组数据对,数据对中包括翼型数据和翼型数据对应的气动曲线数据;
步骤2:设计从压力系数曲线坐标到翼型坐标的生成对抗网络;
步骤3:将步骤1中得到的N组数据对送入步骤2中设计的生成对抗网络中,并采用迭代训练的方式迭代优化生成器和判别器,达到纳什均衡后,保留生成器Gtrain,丢弃判别器;
步骤1的具体步骤如下:
步骤1.1:收集翼型几何形状构建初始数据库,或者采用公开翼型数据集,对翼型数据进行坐标归一化;
步骤1.2:重构步骤1.1得到的归一化的翼型坐标(xnorm,ynorm),使得翼型上下表面采样点的数量相同,且横坐标相同,得到重构后的翼型坐标(xrec,yrec);
步骤1.3:设计翼型生成网络,使用反向传播算法训练翼型生成网络,输入若干新的随机向量z,得到扩充后的翼型坐标(x',y');
步骤1.4:利用步骤1.3中得到的扩充翼型数据(x',y'),分别在不同的来流条件下,使用计算流体力学模拟计算对应的气动曲线(xc,yc),收集N组数据对,构造翼型-气动曲线数据库,每组数据对形式为:(xc,yc),(x',y',Ma,Re,α);来流条件包括马赫数Ma、雷诺数Re和攻角α;N为正整数。
步骤1.1中,翼型使用(x,y)表示,其中,x=(x1U,x2U,…,xmU,x1L,x2L,…,xnL),y=(y1U,y2U,…,ymU,y1L,y2L,…,ynL);m和n分别表示翼型上下表面的采样点数目,均为正整数;x1U,x2U,…,xmU表示翼型上表面的第1~m个点的横坐标,x1L,x2L,...,xnL表示翼型下表面的第1~n个点的横坐标,y1U,y2U,…,ymU表示翼型上表面的第1~m个点的纵坐标,y1L,y2L,...,ynL表示翼型下表面的第1~n个点的纵坐标。
步骤1.1中,对翼型进行横纵坐标归一化的方法如下:
计算每个翼型的弦长C=max(xmU,xnL)-min(x1U,x1L),并将翼型几何数据的x坐标和y坐标均除以C,得到归一化后的翼型坐标(xnorm,ynorm)。
步骤1.2中,采用基于型函数/类函数变换的参数化方法对翼型坐标(xnorm,ynorm)进行重构,计算控制系数,并得到原翼型的重构翼型:
翼型使用(xrec,yrec)表示,其中,xrec=(xrec 1,xrec 2,…xrec M,xrec 1,xrec 2,…xrec M),yrec=(yrec 1U,yrec 2U,…yrec MU,yrec 1L,yrec 2L,…yrec ML);M表示翼型上下表面的采样点数目,为正整数;xrec 1,xrec 2,…xrec M表示翼型上下表面第1~M个采样点的横坐标,yrec 1U,yrec 2U,…yrec MU表示翼型上表面第1~M个采样点的重构纵坐标,yrec 1L,yrec 2L,…yrec ML表示翼型下表面第1~M个采样点的重构纵坐标。
步骤1.3中,翼型生成网络包括生成器和判别器;生成器以固定长度的随机向量z作为输入,通过反卷积运算,生成与(xrec,yrec)相同维度的翼型;
判别器的输入为一组翼型坐标,用于判断该翼型是真实数据集中的翼型,还是生成器生成的假翼型。
步骤1.4中,一个翼型(x',y')和一组来流条件(Ma,Re,α)对应一个气动曲线(xc,yc),xc表示压力系数曲线的x坐标集合,yc表示压力系数曲线的y坐标集合;
其中,M表示压力系数曲线上下表面的采样点数目,与翼型坐标点数目相同;表示翼型上下表面压力系数曲线中第1~M个点的横坐标,表示翼型上表面第1~M个点对应的压力系数值,表示翼型下表面第1~M个点对应的压力系数。
步骤2中,生成对抗网络结构包含生成器和判别器;生成器输入为气动曲线坐标,输出为翼型坐标和来流条件;判别器用于判断生成的翼型与真实翼型的真假程度,输入为生成翼型或真实翼型,输出为其分类,即对输入的翼型是真实翼型还是属于生成器生成的翼型进行判别;
判别器的代价函数如下:
生成器的代价函数如下:
其中,N表示步骤1中生成的数据对的数量,D表示判别器,G表示生成器,D(x'i,y'i)表示判别器作用于第i个真实翼型坐标后的输出,G(xci,yci)表示输入第i个压力系数曲线坐标(xci,yci)经过生成器后生成的翼型坐标,D(G(xci,yci))表示将生成的翼型坐标送入判别器后的输出;表示D(G(xci,yci))对G(xci,yci)的偏导数;|| ||2表示2范数,|| ||1表示1范数;Ma0,Re0,α0表示压力系数曲线经过生成器G之后预测得到的马赫数、雷诺数和攻角;λ,λ1,λ2是设置的参数。
气动曲线包括压力系数曲线、升力系数曲线、热流曲线。
本发明与现有技术相比的有益效果是:
(1)本发明使用了生成对抗网络生成新的翼型坐标,用于丰富翼型数据库;本发明直接从压力系数曲线坐标预测了翼型坐标,避免了翼型参数重构翼型带来的精度损失;
(2)本发明对于预测结果进行了进一步平滑,这实际增加了先验知识,即:翼型表面总是相对光滑的;本发明预测翼型坐标的生成对抗网络(第二个)中使用了专门针对该问题设计的代价函数。
(3)本发明通过生成对抗网络生成新翼型,自动扩充翼型数据库,没有其他要求。本发明提出的网络无需对训练数据进行类似的分类操作,人工干预更少。
附图说明
图1为随机翼型生成网络图。
图2为使用随机翼型生成网络生成的翼型图。
图3为翼型反设计生成对抗网络图。
图4为压力系数曲线及翼型反设计生成对抗网络预测曲线图。
图5为反设计生成对抗网络预测曲线及平滑结果图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
实施例1
步骤1:构建翼型-压力系数曲线数据库。具体采用以下步骤:
步骤1.1:收集翼型几何形状,构建初始数据库,或者采用公开翼型数据集,对翼型几何数据进行坐标归一化;
翼型使用(x,y)表示,其中,x=(x1U,x2U,…,xmU,x1L,x2L,…,xnL),y=(y1U,y2U,…,ymU,y1L,y2L,…,ynL),m和n分别表示翼型上下表面的采样点数目,均为正整数;x1U,x2U,…,xmU表示翼型上表面的第1~m个点的横坐标,x1L,x2L,...,xnL表示翼型下表面的第1~n个点的横坐标,y1U,y2U,…,ymU表示翼型上表面的第1~m个点的纵坐标,y1L,y2L,...,ynL表示翼型下表面的第1~n个点的纵坐标;
对收集的翼型进行横纵坐标归一化,计算每个翼型的弦长C=max(xmU,xnL)-min(x1U,x1L),并将翼型几何数据的x坐标和y坐标均除以C,得到归一化后的翼型坐标(xnorm,ynorm);
步骤1.2:重构步骤1.1得到的归一化翼型坐标(xnorm,ynorm),使得翼型上下表面采样点的数量相同,且横坐标相同;
具体而言:
采用基于型函数/类函数变换的参数化方法(CST)(参考:卜月鹏等,基于CST参数化方法的翼型气动优化设计,西北工业大学学报,2013年10月,Vol 31,No 5)对已有的翼型坐标进行重构,计算控制系数,并得到原翼型的重构翼型,其坐标属于插值后的结果,且可以保证翼型上下表面曲线各个点的x坐标相同,此时翼型使用(xrec,yrec)表示,其中,
xrec=(xrec 1,xrec 2,…xrec M,xrec 1,xrec 2,…xrec M),yrec=(yrec 1U,yrec 2U,…yrec MU,yrec 1L,yrec 2L,…yrec ML),
M表示翼型上下表面的采样点数目,为正整数;xrec 1,xrec 2,…xrec M表示翼型上下表面第1~M个采样点的横坐标,yrec 1U,yrec 2U,…yrec MU表示翼型上表面第1~M个采样点的重构纵坐标,yrec 1L,yrec 2L,…yrec ML表示翼型下表面第1~M个采样点的重构纵坐标;
步骤1.3:设计翼型生成网络,如图1所示。该翼型生成网络包括生成器和判别器。生成器接受固定长度的随机向量z作为输入,通过一系列反卷积运算,生成与(xrec,yrec)相同维度的翼型。判别器的输入为一组翼型坐标,用于判断该翼型是真实数据集中的翼型,还是生成器生成的假翼型。固定翼型生成网络的结构,开始训练网络模型。训练的目标是为了让判别器无法区分真假翼型,使用反向传播算法训练完成后,生成器生成的翼型坐标与真实翼型坐标无法直接区分。由于输入是随机向量,因此翼型生成过程存在随机性,保证每次生成的翼型坐标不一致。训练完成后,固定翼型生成网络的参数,并不断输入新的随机向量z,得到的生成器输出即为新的翼型坐标,从而得到扩充后的翼型数据(x',y'),如图2所示。
步骤1.4:利用步骤1.3中得到的扩充翼型数据(x',y'),分别在不同的马赫数Ma、不同的雷诺数Re和不同的攻角α,(将这三个参数马赫数Ma、雷诺数Re和攻角α称为来流条件)使用计算流体力学(CFD)模拟计算对应的压力系数曲线。
一个翼型(x',y')和一组来流条件(Ma,Re,α)对应一个压力系数曲线(xc,yc),xc表示压力系数曲线的x坐标集合,yc表示压力系数曲线的y坐标集合,其中,M表示压力系数曲线上下表面的采样点数目,一般与翼型坐标点数目相同;表示翼型上下表面压力系数曲线中第1~M个点的横坐标,表示翼型上表面第1~M个点对应的压力系数值,表示翼型下表面第1~M个点对应的压力系数;
构造反设计训练数据库,即收集N个数据对,每个数据对形式为:(xc,yc),(x',y',Ma,Re,α);N为正整数;
步骤2:设计从压力系数曲线坐标到翼型坐标的生成对抗网络,网络结构图如图3所示:网络结构包含生成器和判别器两个部分,生成器输入为压力系数曲线坐标,输出为翼型坐标和来流条件,判别器用于判断生成的翼型与真实翼型的真假程度,输入为生成翼型或真实翼型,输出为其分类,即是真实翼型还是属于生成器生成的翼型。
训练过程中判别器和生成器的代价函数是针对该问题专门设计的,如公式2和3所示:
其中,N表示步骤1中生成的数据对的数量,D表示判别器,G表示生成器,D(x'i,y'i)表示判别器作用于第i个真实翼型坐标后的输出,G(xci,yci)表示输入第i个压力系数曲线坐标(xci,yci)经过生成器后生成的翼型坐标,D(G(xci,yci))表示将生成的翼型坐标送入判别器后的输出;表示D(G(xci,yci))对G(xci,yci)的偏导数;|| ||2表示2范数,|| ||1表示1范数;
JD表示判别网络的代价函数,JG表示生成网络的代价函数;
判别网络D存在的目的是为了辅助生成网络G的训练;
Ma,Re,α分别表示步骤1.4生成的数据对中的马赫数、雷诺数和攻角;
Ma0,Re0,α0表示压力系数曲线经过生成器G之后预测得到的马赫数、雷诺数和攻角;
λ,λ1,λ2是人为设置的参数,用于训练时调整代价函数各项的权重,分别取值10,5,1。
步骤3:将步骤1.4中得到的N组数据对送入步骤2中设计的网络,并采用迭代训练的方式迭代优化生成器和判别器网络,最终达到纳什均衡后,保留生成器Gtrain,丢弃判别器。
步骤4:对于测试压力系数曲线将其送入步骤3中训练得到的Gtrain,得到预测的翼型以及对应的马赫数、雷诺数和攻角。部分测试结果如图4所示,读入攻角为0,马赫数为0.2,雷诺数为6e+6,左图上方曲线为翼型上表面压力系数曲线,下方曲线为下表面压力系数曲线;右侧实线为本发明的技术预测翼型曲线,虚线为真实的翼型。下方分别预测了对应的攻角和马赫数。
步骤5:将步骤4中得到的翼型坐标使用贝塞尔曲线算法进一步平滑,得到更加光滑的翼型表面。平滑前与平滑后的曲线对比如图5所示,左侧是输入的攻角为0,马赫数为0.4,雷诺数为6e+6,对应的压力系数曲线,右侧实线曲线为翼型反设计生成对抗网络输出后未经平滑处理的翼型曲线,虚线为经过平滑后的翼型坐标曲线。
本发明中的压力系数曲线可以被其他气动曲线替代,例如升力系数曲线、热流曲线等。
本发明中步骤5中的平滑曲线方法,可以使用滑动窗口去除噪声的方法进行替代。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
本发明未详细说明的部分属于本领域技术人员的公知技术。
Claims (10)
2.根据权利要求1所述的一种基于生成对抗网络的翼型反设计方法,其特征在于,步骤1的具体步骤如下:
步骤1.1:收集翼型几何形状构建初始数据库,或者采用公开翼型数据集,对翼型数据进行坐标归一化;
步骤1.2:重构步骤1.1得到的归一化的翼型坐标(xnorm,ynorm),使得翼型上下表面采样点的数量相同,且横坐标相同,得到重构后的翼型坐标(xrec,yrec);
步骤1.3:设计翼型生成网络,使用反向传播算法训练翼型生成网络,输入若干新的随机向量z,得到扩充后的翼型坐标(x',y');
步骤1.4:利用步骤1.3中得到的扩充翼型数据(x',y'),分别在不同的来流条件下,使用计算流体力学模拟计算对应的气动曲线(xc,yc),收集N组数据对,构造翼型-气动曲线数据库,每组数据对形式为:(xc,yc),(x',y',Ma,Re,α);来流条件包括马赫数Ma、雷诺数Re和攻角α;N为正整数。
3.根据权利要求2所述的一种基于生成对抗网络的翼型反设计方法,其特征在于,步骤1.1中,翼型使用(x,y)表示,其中,x=(x1U,x2U,…,xmU,x1L,x2L,…,xnL),y=(y1U,y2U,…,ymU,y1L,y2L,…,ynL);m和n分别表示翼型上下表面的采样点数目,均为正整数;x1U,x2U,…,xmU表示翼型上表面的第1~m个点的横坐标,x1L,x2L,...,xnL表示翼型下表面的第1~n个点的横坐标,y1U,y2U,…,ymU表示翼型上表面的第1~m个点的纵坐标,y1L,y2L,...,ynL表示翼型下表面的第1~n个点的纵坐标。
4.根据权利要求2或3所述的一种基于生成对抗网络的翼型反设计方法,其特征在于,步骤1.1中,对翼型进行横纵坐标归一化的方法如下:
计算每个翼型的弦长C=max(xmU,xnL)-min(x1U,x1L),并将翼型几何数据的x坐标和y坐标均除以C,得到归一化后的翼型坐标(xnorm,ynorm)。
5.根据权利要求4所述的一种基于生成对抗网络的翼型反设计方法,其特征在于,步骤1.2中,采用基于型函数/类函数变换的参数化方法对翼型坐标(xnorm,ynorm)进行重构,计算控制系数,并得到原翼型的重构翼型:
翼型使用(xrec,yrec)表示,其中,xrec=(xrec 1,xrec 2,…xrec M,xrec 1,xrec 2,…xrec M),yrec=(yrec 1U,yrec 2U,…yrec MU,yrec 1L,yrec 2L,…yrec ML);M表示翼型上下表面的采样点数目,为正整数;xrec 1,xrec 2,…xrec M表示翼型上下表面第1~M个采样点的横坐标,yrec 1U,yrec 2U,…yrec MU表示翼型上表面第1~M个采样点的重构纵坐标,yrec 1L,yrec 2L,…yrec ML表示翼型下表面第1~M个采样点的重构纵坐标。
6.根据权利要求5所述的一种基于生成对抗网络的翼型反设计方法,其特征在于,步骤1.3中,翼型生成网络包括生成器和判别器;生成器以固定长度的随机向量z作为输入,通过反卷积运算,生成与(xrec,yrec)相同维度的翼型;
判别器的输入为一组翼型坐标,用于判断该翼型是真实数据集中的翼型,还是生成器生成的假翼型。
8.根据权利要求7所述的一种基于生成对抗网络的翼型反设计方法,其特征在于,步骤2中,生成对抗网络结构包含生成器和判别器;生成器输入为气动曲线坐标,输出为翼型坐标和来流条件;判别器用于判断生成的翼型与真实翼型的真假程度,输入为生成翼型或真实翼型,输出为其分类,即对输入的翼型是真实翼型还是属于生成器生成的翼型进行判别;
判别器的代价函数如下:
生成器的代价函数如下:
9.根据权利要求8所述的一种基于生成对抗网络的翼型反设计方法,其特征在于,气动曲线包括压力系数曲线、升力系数曲线、热流曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530568.XA CN111814246B (zh) | 2020-06-11 | 2020-06-11 | 一种基于生成对抗网络的翼型反设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530568.XA CN111814246B (zh) | 2020-06-11 | 2020-06-11 | 一种基于生成对抗网络的翼型反设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814246A true CN111814246A (zh) | 2020-10-23 |
CN111814246B CN111814246B (zh) | 2022-09-27 |
Family
ID=72845966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010530568.XA Active CN111814246B (zh) | 2020-06-11 | 2020-06-11 | 一种基于生成对抗网络的翼型反设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814246B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541298A (zh) * | 2020-11-03 | 2021-03-23 | 西安交通大学 | 基于深度学习的透平机械叶片型线自动参数化生成方法 |
CN113777931A (zh) * | 2021-11-09 | 2021-12-10 | 中国空气动力研究与发展中心计算空气动力研究所 | 结冰翼型气动模型构造方法、装置、设备及介质 |
CN114021492A (zh) * | 2021-10-28 | 2022-02-08 | 西北工业大学 | 一种基于神经网络的超临界翼型抖振优化方法 |
CN114154250A (zh) * | 2021-12-20 | 2022-03-08 | 北京航空航天大学 | 一种基于dccgan的高超声速飞行器流热固耦合物理场求解方法 |
CN114756980A (zh) * | 2022-03-21 | 2022-07-15 | 西安交通大学 | 基于Info-GAN的多设计空间耦合气动形状优化方法及系统 |
CN115320879A (zh) * | 2022-10-14 | 2022-11-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种环量控制翼型后缘柯恩达型面设计方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573282A (zh) * | 2015-01-29 | 2015-04-29 | 河海大学 | 一种垂直轴风力机翼型的气动优化设计方法 |
CN105783770A (zh) * | 2016-01-22 | 2016-07-20 | 西南科技大学 | 一种基于线结构光的冰形轮廓测量的方法 |
CN107403466A (zh) * | 2017-08-03 | 2017-11-28 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于全局加密的超大规模非结构网格生成方法 |
CN109460566A (zh) * | 2018-09-20 | 2019-03-12 | 中国科学院工程热物理研究所 | 一种风力机叶片内侧厚翼型的气动稳健优化设计方法 |
CN109878721A (zh) * | 2019-04-04 | 2019-06-14 | 中南大学 | 一种微小型旋翼无人飞行器旋翼翼型的设计方法及产品 |
CN110222828A (zh) * | 2019-06-12 | 2019-09-10 | 西安交通大学 | 一种基于混合深度神经网络的非定常流场快速预测方法 |
CN110516318A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于径向基函数神经网络代理模型的翼型设计方法 |
US20200005087A1 (en) * | 2018-06-27 | 2020-01-02 | International Business Machines Corporation | Cognitive automated and interactive personalized fashion designing using cognitive fashion scores and cognitive analysis of fashion trends and data |
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 |
-
2020
- 2020-06-11 CN CN202010530568.XA patent/CN111814246B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573282A (zh) * | 2015-01-29 | 2015-04-29 | 河海大学 | 一种垂直轴风力机翼型的气动优化设计方法 |
CN105783770A (zh) * | 2016-01-22 | 2016-07-20 | 西南科技大学 | 一种基于线结构光的冰形轮廓测量的方法 |
CN107403466A (zh) * | 2017-08-03 | 2017-11-28 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于全局加密的超大规模非结构网格生成方法 |
US20200005087A1 (en) * | 2018-06-27 | 2020-01-02 | International Business Machines Corporation | Cognitive automated and interactive personalized fashion designing using cognitive fashion scores and cognitive analysis of fashion trends and data |
CN109460566A (zh) * | 2018-09-20 | 2019-03-12 | 中国科学院工程热物理研究所 | 一种风力机叶片内侧厚翼型的气动稳健优化设计方法 |
CN109878721A (zh) * | 2019-04-04 | 2019-06-14 | 中南大学 | 一种微小型旋翼无人飞行器旋翼翼型的设计方法及产品 |
CN110222828A (zh) * | 2019-06-12 | 2019-09-10 | 西安交通大学 | 一种基于混合深度神经网络的非定常流场快速预测方法 |
CN110516318A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于径向基函数神经网络代理模型的翼型设计方法 |
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 (4)
Title |
---|
VINICIUS M. GONALVES等: "Coordination of multiple fixed-wing UAVs traversing intersecting periodic paths", 《网页在线公开:HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=6630672》, 17 October 2013 (2013-10-17), pages 1 - 6 * |
刘俊等: "Kriging 模型在翼型反设计中的应用研究", 《空气动力学学报》, no. 4, 9 September 2014 (2014-09-09), pages 518 - 526 * |
陈海等: "基于深度学习的翼型气动系数预测", 《空气动力学学报》, vol. 36, no. 2, 21 June 2018 (2018-06-21), pages 294 - 299 * |
陈静等: "跨声速层流翼型的混合反设计/优化设计方法", 《航空学报》, vol. 39, no. 12, 26 February 2019 (2019-02-26), pages 59 - 73 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541298A (zh) * | 2020-11-03 | 2021-03-23 | 西安交通大学 | 基于深度学习的透平机械叶片型线自动参数化生成方法 |
CN112541298B (zh) * | 2020-11-03 | 2022-12-09 | 西安交通大学 | 基于深度学习的透平机械叶片型线自动参数化生成方法 |
CN114021492A (zh) * | 2021-10-28 | 2022-02-08 | 西北工业大学 | 一种基于神经网络的超临界翼型抖振优化方法 |
CN114021492B (zh) * | 2021-10-28 | 2022-09-13 | 西北工业大学 | 一种基于神经网络的超临界翼型抖振优化方法 |
CN113777931A (zh) * | 2021-11-09 | 2021-12-10 | 中国空气动力研究与发展中心计算空气动力研究所 | 结冰翼型气动模型构造方法、装置、设备及介质 |
CN113777931B (zh) * | 2021-11-09 | 2022-02-11 | 中国空气动力研究与发展中心计算空气动力研究所 | 结冰翼型气动模型构造方法、装置、设备及介质 |
CN114154250A (zh) * | 2021-12-20 | 2022-03-08 | 北京航空航天大学 | 一种基于dccgan的高超声速飞行器流热固耦合物理场求解方法 |
CN114154250B (zh) * | 2021-12-20 | 2024-06-14 | 北京航空航天大学 | 一种基于dccgan的高超声速飞行器流热固耦合物理场求解方法 |
CN114756980A (zh) * | 2022-03-21 | 2022-07-15 | 西安交通大学 | 基于Info-GAN的多设计空间耦合气动形状优化方法及系统 |
CN114756980B (zh) * | 2022-03-21 | 2024-03-12 | 西安交通大学 | 基于Info-GAN的多设计空间耦合气动形状优化方法及系统 |
CN115320879A (zh) * | 2022-10-14 | 2022-11-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种环量控制翼型后缘柯恩达型面设计方法 |
CN115320879B (zh) * | 2022-10-14 | 2022-12-09 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种环量控制翼型后缘柯恩达型面设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111814246B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814246B (zh) | 一种基于生成对抗网络的翼型反设计方法 | |
CN109711048B (zh) | 一种考虑气动和结构多类型设计变量的机翼设计方法 | |
Kharal et al. | Neural networks based airfoil generation for a given Cp using Bezier–PARSEC parameterization | |
WO2020134388A1 (zh) | 一种基于随机等几何分析的叶片高刚度设计方法 | |
Wei et al. | Research on parameterization and optimization procedure of low-Reynolds-number airfoils based on genetic algorithm and Bezier curve | |
Mancho et al. | Computation of hyperbolic trajectories and their stable and unstable manifolds for oceanographic flows represented as data sets | |
CN109726433B (zh) | 基于曲面边界条件的三维无粘低速绕流的数值模拟方法 | |
CN113743029B (zh) | 基于机器学习的透平机械气动性能-叶片载荷优化方法 | |
Lee et al. | Robust design optimisation using multi-objective evolutionary algorithms | |
Kostas et al. | Parametric model for the reconstruction and representation of hydrofoils and airfoils | |
CN115146538A (zh) | 基于消息传递图神经网络的电力系统状态估计方法 | |
Li et al. | Performance study of a simplified shape optimization strategy for blended-wing-body underwater gliders | |
CN112583380A (zh) | 一种基于收敛优化的分布式多速率粒子滤波算法 | |
CN116720268A (zh) | 一种周期性描述的叶片叶型全局光顺重建方法 | |
Mukesh et al. | Influence of search algorithms on aerodynamic design optimisation of aircraft wings | |
Barrett et al. | Airfoil shape design and optimization using multifidelity analysis and embedded inverse design | |
Liatsikouras et al. | Aerodynamic shape optimization under flow uncertainties using non-intrusive polynomial chaos and evolutionary algorithms | |
CN116316629A (zh) | 一种考虑拓扑特征学习的数据驱动最优潮流计算方法 | |
CN111625901B (zh) | 一种面向翼型的压力系数曲线智能生成方法 | |
Barrett et al. | Airfoil design and optimization using multi-fidelity analysis and embedded inverse design | |
Zhang et al. | A flexible and efficient optimization design framework for the shape of blend-wing-body underwater glider | |
CN112163288B (zh) | 基于大涡模拟的流体机械叶片优化设计方法 | |
Zhang et al. | Machine learning based design optimization of centrifugal impellers | |
Lu et al. | An Automatic Isotropic Triangular Grid Generation Technique Based on an Artificial Neural Network and an Advancing Front Method | |
Batay et al. | Adjoint-Based High Fidelity Concurrent Aerodynamic Design Optimization of Wind Turbine |
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 |