CN112231847A - 转捩位置确定方法、装置、电子设备及存储介质 - Google Patents
转捩位置确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112231847A CN112231847A CN202011219054.9A CN202011219054A CN112231847A CN 112231847 A CN112231847 A CN 112231847A CN 202011219054 A CN202011219054 A CN 202011219054A CN 112231847 A CN112231847 A CN 112231847A
- Authority
- CN
- China
- Prior art keywords
- disturbance wave
- flow field
- transition position
- disturbance
- amplification factor
- 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
- 230000007704 transition Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000003321 amplification Effects 0.000 claims abstract description 66
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 239000012530 fluid Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种转捩位置确定方法、装置、电子设备及存储介质。该方法包括:根据无湍流模型处理流场压力数据,得到流场信息;将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得流场压力数据,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系;根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置。上述技术方案利用预测网络模型可以准确预测扰动波幅值放大系数和扰动波频率的关系,并且降低计算量,在此基础上根据扰动波幅值放大系数和扰动波频率的关系确定转捩位置,提高了确定转捩位置的准确性和计算效率。
Description
技术领域
本发明实施例涉及飞行器技术领域,尤其涉及一种转捩位置确定方法、装置、电子设备及存储介质。
背景技术
飞行器跨声速巡航飞行时流动处于湍流状态,而层流相较于湍流的边界层速度型梯度较小,摩擦阻力更低,采用层流机翼和层流短舱设计可以降低摩擦阻力,从而降低全机油耗、减少碳排放量,提高飞行器的经济性和环保性。准确地预测飞行器头部前缘的转捩位置是飞行器设计的关键,影响到飞行试验的成败。基于线性稳定性理论的eN转捩预测方法是工程上主要应用的方法之一。
传统的eN转捩预测方法是以测压数据为输入,通过计算分析边界层流动得到速度型分布,然后调用小扰动波传播方程计算每一条扰动波幅值放大系数N值发展趋势,据此判断转捩位置。在计算过程中涉及大量矩阵运算,影响计算效率,并且确定转捩位置的准确性有待提高。
发明内容
本发明提供了一种转捩位置确定方法、装置、电子设备及存储介质及系统,以提高确定转捩位置的准确性和计算效率。
第一方面,本发明实施例提供了一种转捩位置确定方法,包括:
根据无湍流模型处理流场压力数据,得到流场信息;
将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得预测结果,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系;
根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置。
进一步的,还包括;
基于风洞试验数据训练得到所述预测网络模型;
所述预测网络模型的输入数据包括每个站位点的归一化坐标、弧长、相对弧长、边缘速度、位移或动量厚度、以及局部雷诺数;
所述数据结构满足:所述输入数据为由样本数、输入数据类型、每个站位点的归一化坐标的一维点阵构成的三维张量;或者,由样本数、输入数据类型、每个站位点的归一化坐标的二维点阵构成的四维张量。
进一步的,根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置,包括:
记录每种扰动波频率下的扰动波的目标值,所述目标值为扰动波的扰动波幅值放大系数达到设定值时的坐标值;
将目标值最小的扰动波的坐标值对应的站位点作为所述转捩位置。
进一步的,所述预测网络模型包括加密网络和解密网络;
其中,所述加密网络包括第一卷积层、线性层、线性修正函数层、带泄露线性修正函数层,所述加密网络通过第一批量归一化函数标准化;
所述解密网络包括第一卷积层、线性层、线性修正函数层、带泄露线性修正函数层,所述解密网络通过第二批量归一化函数标准化。
进一步的,所述加密网络输出的单个扰动特征对应的站位点数少于所述加密网络的输入数据中的站位点数;
所述解密网络用于通过上采样和张量拼接操作,扩大单个扰动特征对应的站位点数,直至单个扰动特征对应的站位点数与所述加密网络的输入数据中的站位点数一致时,输出所述预测结果。
进一步的,所述根据无湍流模型处理流场压力数据,得到流场信息,包括:
根据流场压力数据,采用有限差分算法对三维可压缩曲面边界层方程进行数值离散,得到流场信息。
进一步的,还包括:
根据所述转捩位置和湍流模型修正所述流场信息,其中,所述转捩位置之后对应于所述湍流模型。
第二方面,本发明实施例提供了一种转捩位置确定装置,包括:
流场信息确定模块,用于根据无湍流模型处理流场压力数据,得到流场信息;
预测模块,用于将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得预测结果,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系;
转捩位置确定模块,用于根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置。
第三方面,本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的转捩位置确定方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的转捩位置确定方法。
本发明实施例提供了一种转捩位置确定方法、装置、电子设备及存储介质。该方法包括:根据无湍流模型处理流场压力数据,得到流场信息;将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得预测结果,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系;根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置。上述技术方案利用预测网络模型可以准确预测扰动波幅值放大系数和扰动波频率的关系,并且降低计算量,在此基础上根据扰动波幅值放大系数和扰动波频率的关系确定转捩位置,提高了确定转捩位置的准确性和计算效率。
附图说明
图1为本发明实施例一提供的一种转捩位置确定方法的流程图;
图2为本发明实施例二提供的一种转捩位置确定方法的流程图;
图3为本发明实施例二提供的输入数据的示意图;
图4为本发明实施例二提供的输入数据的数据结构的示意图;
图5为本发明实施例二提供的预测网络模型输出数据的数据结构的示意图;
图6为本发明实施例二提供的预测网络模型的示意图;
图7为本发明实施例二提供的扰动波幅值放大系数和扰动波频率的关系的示意图;
图8为本发明实施例二提供的转捩位置确定方法的实现示意图;
图9为本发明实施例二提供的转捩位置预测结果与真实位置的误差的示意图;
图10为本发明实施例三提供的一种转捩位置确定装置的结构示意图;
图11为本发明实施例四提供的一种电子设备的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
需要注意,本发明实施例中提及的“第一”、“第二”等概念仅用于对不同的装置、模块、单元或其他对象进行区分,并非用于限定这些装置、模块、单元或其他对象所执行的功能的顺序或者相互依存关系。
为了更好地理解本发明实施例,下面对相关技术进行介绍。
实施例一
图1为本发明实施例一提供的一种转捩位置确定方法的流程图,本实施例可适用于飞行器设计过程中确定转捩位置的情况。具体的,该转捩位置确定方法可以由转捩位置确定装置执行,该转捩位置确定装置可以通过软件和/或硬件的方式实现,并集成在电子设备中。进一步的,电子设备包括但不限定于:台式计算机、笔记本电脑、集成服务器、云端服务器等。
如图1所示,该方法具体包括如下步骤:
S110、根据无湍流模型处理流场压力数据,得到流场信息。
湍流是流体的一种流动状态。当流体的流速很小时,流体分层流动,互不混合,这种状态称为层流,也称为稳流或片流,对这种状态的流体建立的模型即为无湍流模型;当流速增大到一定程度时,层流被破坏,相邻流层间存在滑动和混合,流体作不规则运动,对这种状态的流体建立的模型即为湍流模型。本实施例中,对于飞行器的所有站位点,首先按照无湍流模型分析流场压力数据,得到流场信息。具体的,按照无湍流模型对层流的边界层进行分析,可以得到位移厚度、动量厚度等流速分布信息,即流场信息。流场信息还可以包括飞行器所有站位点的归一化坐标、弧长、相对弧长、边缘速度等。
进一步的,流场压力数据包括几何模型和流场数据,几何模型基于笛卡尔坐标系的坐标(x,y,z)描述;流场数据可以通过风洞试验或通过计算流体动力学(ComputationalFluid Dynamics,CFD)软件进行数值模拟获得。
S120、将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得预测结果,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系。
具体的,预测网络模型是指预先经过训练的机器学习模型,例如神经网络模型,经过训练的预测网络模型已经学习到根据流场信息预测不同频率的扰动波对应的扰动波幅值放大系数的变化规律和趋势,因此,将流场信息转换为符合预测网络模型输入的数据结构后输入至预测网络模型,预测网络模型的输出即为预测结果。
S130、根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置。
具体的,飞行器表面存在层流和湍流两种流态,流态从层流转变为湍流的过程称为转捩。预测网络模输出了扰动波幅值放大系数和扰动波频率的关系,在此基础上,根据不同频率的扰动波对应的扰动波幅值放大系数的变化规律和趋势,可以利用基于线性稳定性理论的eN转捩预测方法确定转捩位置。
eN转捩预测方法的原理如下:假设转捩由不稳定的流向行波(TollmienSchlichting,TS)和横流(Cross Flow,CF)扰动波的不断放大引起,低湍流度下转捩通常发生于原始扰动波幅值放大到8000(大约为e8-e9)倍时,对应的扰动波幅值放大系数N取值为8至9。根据不同频率的扰动波对应的扰动波幅值放大系数的变化趋势,可以选择特定频率的扰动波对应的N值达到8或9时的站位点作为转捩位置。
本发明实施例一提供的一种转捩位置确定方法,利用预测网络模型,可以准确预测扰动波幅值放大系数和扰动波频率的关系,并且降低计算量,在此基础上根据扰动波幅值放大系数和扰动波频率的关系确定转捩位置,提高了确定转捩位置的准确性和计算效率,在充分学习到根据流场信息预测扰动波幅值放大系数和扰动波频率的关系的基础上,能够准确高效地预测转捩位置,避免了大量的矩阵计算,提高鲁棒性和计算效率。
实施例二
图2为本发明实施例二提供的一种转捩位置确定方法的流程图,本实施例是在上述实施例的基础上进行优化,对转捩位置确定进行具体描述。需要说明的是,未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的,如图2所示,该方法具体包括如下步骤:
S210、基于风洞试验数据训练得到预测网络模型。
具体的,风洞试验是依据运动的相对性原理,将飞行器的模型或实物固定在所创建的环境中,制造气流流过,从而模拟飞行器在空中的各种复杂的飞行状态和流动工况,目的是研究气体流动与飞行器模型之间的相互作用,获取相关的风洞试验数据,作为训练预测网络模型的依据。风洞试验数据包括飞行器在不同的流动工况下每个站位点的坐标、弧长、相对弧长、边缘速度、位移厚度或动量厚度、以及局部雷诺数等,还包括上述的各种参数不同流动工况下导致的扰动波幅值放大系数和扰动波频率的关系,在风洞实验数据足够丰富的情况下,预测网络模型能够充分学习到各种参数会导致何种扰动波幅值放大系数和扰动波频率的关系。在此基础上,当向预测网络模型输入飞行器真实的各种参数后,预测网络模型即可根据学习到的规律自动预测出扰动波幅值放大系数和扰动波频率的关系。
S220、根据流场压力数据,采用有限差分算法对三维可压缩曲面边界层方程进行数值离散,得到流场信息。
具体的,当雷诺数足够大时,在层流的边界层附近会出现湍流。采用有限差分算法对层流的边界层方程进行数值离散,从而得到流场信息,包括位移或动量厚度等。在此过程中,湍流模型可以采用微分方程可以为数零方程模型,湍流的流动速度分布可以利用Cebeci-Smith零方程模型来模拟。
可选的,通过求解非线性问题的Keller Box算法可以将原始的三维可压缩曲面的边界层方程降阶成6个一阶常微分方程,以降低计算量。
可选的,采用牛顿迭代法(Newton's method)可以建立求解流场信息的双对角总控数值方程。
可选的,在不同的预设站位点增加吸气边界条件,以限制上述的各种参数的取值,保证算法的有效实现;此外,可以采用LU分解法(LU Factorization)完成边界层方程的求解。
可选的,对于飞行器的尾迹区域的流场信息,还可以采用格林(Green)积分边界层法求解。
S230、将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得预测结果,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系。
具体的,预测网络模型的输入数据反映了边界层的流场信息,包括每个站位点的归一化坐标、弧长、相对弧长、边缘速度、位移或动量厚度、以及局部雷诺数,以使预测网络模型能够最大限度地反映输入数据与预测结果的映射关系,并且输入数据满足预设的数据结构。
图3为本发明实施例二提供的输入数据的示意图。如图3所示,输入数据类型包括:
每个站位点的归一化坐标:对于二维流动的情况,包括弦向归一化坐标ξ;对于三维流动的情况,包括弦向归一化坐标ξ和展向归一化坐标η(图未示);
弧长S:飞行器的几何模型不同,扰动波幅值放大系数N值发展趋势也不同,采用弧长能够反映不同的几何模型或形态;
相对弧长dS:不稳定流动是由一簇扰动波叠加而成,每个站位点都对应多条扰动波,由于每一条扰动波都有不同的起始扰动位置,因此相对于起始扰动位置的相对弧长可以反映出不同扰动波的扰动波幅值放大系数的发展趋势;
边缘速度Ue:用于分析边界层和不同扰动波的扰动波幅值放大系数发展趋势的特征参数。
位移厚度δ或动量厚度θ:用于分析边界层和不同扰动波的扰动波幅值放大系数发展趋势的特征参数,根据流场压力数据得到。
局部雷诺数Re:用于分析边界层和不同扰动波的扰动波幅值放大系数发展趋势的特征参数。
进一步的,数据结构满足:输入数据为由样本数、输入数据类型、每个站位点的归一化坐标的一维点阵构成的三维张量;或者,由样本数、输入数据类型、每个站位点的归一化坐标的二维点阵构成的四维张量。
图4为本发明实施例二提供的输入数据的数据结构的示意图。针对二维流动的情况,不同流动工况下的流场信息作为一个样本,样本总数为k,每一样本可以分解为m条不同频率的扰动波的输入数据。输入数据类型包括归一化坐标ξ、弧长S、相对弧长dS、边缘速度Ue、位移厚度δ、动量厚度θ和局部雷诺数Re七组,每组数据包括在n个站位点的取值,若该站位点没有数据则取零补位。如图4所示,输入数据的数据结构为三维张量,其维度是
针对三维流动的情况,将归一化坐标扩充至二维(ξ,η),每组数据包括在n×l个站位点的取值,若该站位点没有数据则取零补位。输入数据的数据结构为四维张量,其维度是:
图5为本发明实施例二提供的预测网络模型输出数据的数据结构的示意图。针对二维流动的情况,每一样本可以分解为m条不同频率的扰动波的输出数据,输出数据类型包括扰动波幅值放大系数发展趋势和扰动波的不同频率,每组数据包括在n个站位点的取值,如图5所示,其维度是:
针对三维流动的情况,将归一化坐标扩充至二维(ξ,η),每组数据包括在n×l个站位点的取值,其维度是:
进一步的,预测网络模型包括加密网络和解密网络;其中,加密网络包括第一卷积层、线性层、线性修正函数层、带泄露线性修正函数层,加密网络通过第一批量归一化函数标准化;解密网络包括第一卷积层、线性层、线性修正函数层、带泄露线性修正函数层,解密网络通过第二批量归一化函数标准化。
图6为本发明实施例二提供的预测网络模型的示意图。本实施例中,预测网络模型采用加密和解密网络(压缩网络和解压网络)搭建。加密网络的第一卷积层(conv1d)用于对不同频率的扰动波执行第一卷积操作,然后经过线性层、线性修正函数(Rectified LinearUnit,ReLU)层、带泄露线性修正函数(Leaky Relu)层输出每种频率的扰动波对应的扰动特征,扰动特征通过第一批量归一化函数(BatchNorm1d)标准化或泛化;解密网络的第二卷积层(conv2d)用于对不同频率的扰动波的扰动特征执行第二卷积操作,然后经过线性层、ReLU层、Leaky Relu层输出每种频率的扰动波对应的上采样输出特征,上采样输出特征通过第二批量归一化函数(BatchNorm2d)标准化或泛化,最终输出预测结果。
其中,加密网络输出的扰动特征参数相比于预测网络模型的输入数据增多,但单个扰动特征对应的站位点数少于预测网络模型的输入数据中的站位点数,解密网络通过上采样和张量拼接操作,可以扩大单个扰动特征对应的站位点数,直至单个扰动特征对应的站位点数与加密网络的输入数据中的站位点数一致时,得到了重组的输出特征,即预测得到了扰动波幅值放大系数和扰动波频率的关系,输出预测结果。
图7为本发明实施例二提供的扰动波幅值放大系数和扰动波频率的关系的示意图。如图7所示,每一条曲线都表示一种频率的扰动波的扰动波幅值放大系数N的变化趋势,以二维流动的情况为例,每条曲线中,每个方块的节点表示一个站位点,对应的归一化坐标为ξ。
S240、记录每种扰动波频率下的扰动波的目标值,所述目标值为扰动波的扰动波幅值放大系数达到设定值时的坐标值。
S250、将目标值最小的扰动波的坐标值对应的站位点作为所述转捩位置。
例如,扰动波幅值放大系数达到8时认为发生转捩,则对于图7所示的扰动波1-扰动波8,扰动波1-扰动波6的扰动波幅值放大系数未达到8,记录扰动7和扰动波8的扰动波幅值放大系数达到8时对应的坐标值,其中,扰动波8的扰动波幅值放大系数更早达到8,即扰动波8的扰动波幅值放大系数达到8时对应的坐标值更小,则此坐标值对应的站位点即为转捩位置。
S260、根据所述转捩位置和湍流模型修正所述流场信息,其中,所述转捩位置之后对应于所述湍流模型。
具体的,在预测扰动波幅值放大系数和扰动波频率的关系以及确定转捩位置的过程中,都是基于所有站位点都处于无湍流模型的假设进行的,本实施例在确定转捩位置之后,对于转捩位置之后的站位点,基于湍流模型再次调用如步骤220所述的算法分析边界层,以修正流场信息,从而准确分析飞行器的在不同流场工况下的性能。
图8为本发明实施例二提供的转捩位置确定方法的实现示意图。如图8所示,该方法包括:
1)获取流场压力数据,包括几何模型和流场数据,其中,几何模型由笛卡尔坐标系坐标描述,流场数据通过风洞试验或CFD数值模拟获得;
2)按照无湍流模型调用边界层分析程序对层流的边界层进行分析,得到位移厚度或动量厚度等流场信息;
3)将流场信息输入至训练好的预测网络模型,输入数据类型包括每个站位点的归一化坐标、弧长、相对弧长、边缘速度、位移/动量厚度和局部雷诺数;针对二维流动的预测网络模型输入的数据结构满足:由样本数、输入数据类型、一维点阵构成的三维张量;针对三维流动的预测网络模型输入的数据结构满足:由样本数、数据类型、二维点阵构成的四维张量;
预测网络模型由线性层、卷积层、ReLU、池化层等组合构成,可分为加密网络和解密网络;
4)预测网络模型输出预测结果,输出数据类型包括扰动波幅值放大系数以及扰动波频率;针对二维流动的预测网络模型输出的数据结构满足:由样本数、扰动波幅值放大系数和扰动波频率构成的二维张量;针对三维流动的预测网络模型输出的数据结构满足:由样本数、扰动波幅值放大系数和扰动波频率构成的三维张量;
5)根据预测结果中不同频率的扰动波的扰动波幅值放大系数达到设定值(例如达到N=8)时的坐标值确定转捩位置;
6)在确定转捩位置后,根据湍流模型在此调用边界层分析程序,修正流场信息。
图9为本发明实施例二提供的转捩位置预测结果与真实位置的误差的示意图。如图9所示,对于不同的样本,用“★”表示预测网络模型输出的预测结果中扰动波幅值放大系数达到设定值时的转捩位置,用“○”表示真实的转捩位置,可以看出,大部分预测结果高度重合,即,利用训练好的预测网络模型预测转捩位置具有较高的准确性。
本发明实施例二提供的一种转捩位置确定方法,在上述实施例的基础上进行优化,通过基于风洞试验数据训练预测网络模型,并设计预测网络模型的输入数据以及数据结构,充分分析边界层的流场信息并提供丰富的扰动特征,使预测网络模型能够最大限度地反映输入数据与预测结果的映射关系,提高预测的准确性;针对二维流动和三维流动的情况分别设计数据结构,提高预测网络模型对不同流动工况的适用性以及预测的灵活性;预测网络模型包括加密网络和解密网络,能够获取丰富的扰动特征,提高预测网络模型的预测性能;此外,根据转捩位置和湍流模型修正流场信息,为准确分析飞行器的在不同流动工况下的性能提供可靠的依据。
实施例三
图10为本发明实施例三提供的一种转捩位置确定装置的结构示意图。本实施例提供的转捩位置确定装置包括:
流场信息确定模块310,用于根据无湍流模型处理流场压力数据,得到流场信息;
预测模块320,用于将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得预测结果,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系;
转捩位置确定模块330,用于根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置。
本发明实施例三提供的一种转捩位置确定装置,利用预测网络模型可以准确预测扰动波幅值放大系数和扰动波频率的关系,并且降低计算量,在此基础上根据扰动波幅值放大系数和扰动波频率的关系确定转捩位置,提高了确定转捩位置的准确性和计算效率。
在上述实施例的基础上,还包括;
训练模块,用于基于风洞试验数据训练得到所述预测网络模型;
所述预测网络模型的输入数据包括每个站位点的归一化坐标、弧长、相对弧长、边缘速度、位移或动量厚度、以及局部雷诺数;
所述数据结构满足:所述输入数据为由样本数、输入数据类型、每个站位点的归一化坐标的一维点阵构成的三维张量;或者,由样本数、输入数据类型、每个站位点的归一化坐标的二维点阵构成的四维张量。
在上述实施例的基础上,转捩位置确定模块330,包括:
目标值确定单元,用于记录每种扰动波频率下的扰动波的目标值,所述目标值为扰动波的扰动波幅值放大系数达到设定值时的坐标值;
位置确定单元,用于将目标值最小的扰动波的坐标值对应的站位点作为所述转捩位置。
在上述实施例的基础上,所述预测网络模型包括加密网络和解密网络;
其中,所述加密网络包括第一卷积层、线性层、线性修正函数层、带泄露线性修正函数层,所述加密网络通过第一批量归一化函数标准化;
所述解密网络包括第一卷积层、线性层、线性修正函数层、带泄露线性修正函数层,所述解密网络通过第二批量归一化函数标准化。
在上述实施例的基础上,所述加密网络输出的单个扰动特征对应的站位点数少于所述加密网络的输入数据中的站位点数;
所述解密网络用于通过上采样和张量拼接操作,扩大单个扰动特征对应的站位点数,直至单个扰动特征对应的站位点数与所述加密网络的输入数据中的站位点数一致时,输出所述预测结果。
在上述实施例的基础上,流场信息确定模块310,包括:
根据流场压力数据,采用有限差分算法对三维可压缩曲面边界层方程进行数值离散,得到流场信息。
在上述实施例的基础上,还包括:
修正模块,用于根据所述转捩位置和湍流模型修正所述流场信息,其中,所述转捩位置之后对应于所述湍流模型。
本发明实施例三提供的转捩位置确定装置可以用于执行上述任意实施例提供的转捩位置确定方法,具备相应的功能和有益效果。
实施例四
图11为本发明实施例四提供的一种电子设备的硬件结构示意图。电子设备包括但不限定于:台式计算机、笔记本电脑、集成服务器、云端服务器等。如图11所示,本实施例提供的一种电子设备,包括:处理器410和存储装置420。该电子设备中的处理器可以是一个或多个,图11中以一个处理器410为例,所述电子设备中的处理器410和存储装置420可以通过总线或其他方式连接,图11中以通过总线连接为例。
所述一个或多个程序被所述一个或多个处理器410执行,使得所述一个或多个处理器实现上述实施例中任意所述的转捩位置确定方法。
该电子设备中的存储装置420作为一种计算机可读存储介质,可用于存储一个或多个程序,所述程序可以是软件程序、计算机可执行程序以及模块,如本发明实施例中转捩位置确定方法对应的程序指令/模块(例如,附图10所示的转捩位置确定装置中的模块,包括:流场信息确定模块310、预测模块320、转捩位置确定模块330)。处理器410通过运行存储在存储装置420中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例中的转捩位置确定方法。
存储装置420主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等(如上述实施例中的流场压力数据、流场压力数据等)。此外,存储装置420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置420可进一步包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
并且,当上述电子设备中所包括一个或者多个程序被所述一个或者多个处理器410执行时,进行如下操作:根据无湍流模型处理流场压力数据,得到流场信息;
将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得预测结果,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系;根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置。
本实施例提出的电子设备与上述实施例提出的转捩位置确定方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述任意实施例,并且本实施例具备与执行转捩位置确定方法相同的有益效果。
在上述实施例的基础上,本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被转捩位置确定装置执行时实现本发明上述任意实施例中的转捩位置确定方法,该方法包括:根据无湍流模型处理流场压力数据,得到流场信息;将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得预测结果,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系;根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的转捩位置确定方法操作,还可以执行本发明任意实施例所提供的转捩位置确定方法中的相关操作,且具备相应的功能和有益效果。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的转捩位置确定方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种转捩位置确定方法,其特征在于,包括:
根据无湍流模型处理流场压力数据,得到流场信息;
将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得预测结果,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系;
根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置。
2.根据权利要求1所述的方法,其特征在于,还包括;
基于风洞试验数据训练得到所述预测网络模型;
所述预测网络模型的输入数据包括每个站位点的归一化坐标、弧长、相对弧长、边缘速度、位移或动量厚度、以及局部雷诺数;
所述数据结构满足:所述输入数据为由样本数、输入数据类型、每个站位点的归一化坐标的一维点阵构成的三维张量;或者,由样本数、输入数据类型、每个站位点的归一化坐标的二维点阵构成的四维张量。
3.根据权利要求1所述的方法,其特征在于,根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置,包括:
记录每种扰动波频率下的扰动波的目标值,所述目标值为扰动波的扰动波幅值放大系数达到设定值时的坐标值;
将目标值最小的扰动波的坐标值对应的站位点作为所述转捩位置。
4.根据权利要求1所述的方法,其特征在于,所述预测网络模型包括加密网络和解密网络;
其中,所述加密网络包括第一卷积层、线性层、线性修正函数层、带泄露线性修正函数层,所述加密网络通过第一批量归一化函数标准化;
所述解密网络包括第一卷积层、线性层、线性修正函数层、带泄露线性修正函数层,所述解密网络通过第二批量归一化函数标准化。
5.根据权利要求4所述的方法,其特征在于,所述加密网络输出的单个扰动特征对应的站位点数少于所述加密网络的输入数据中的站位点数;
所述解密网络用于通过上采样和张量拼接操作,扩大单个扰动特征对应的站位点数,直至单个扰动特征对应的站位点数与所述加密网络的输入数据中的站位点数一致时,输出所述预测结果。
6.根据权利要求1所述的方法,其特征在于,所述根据无湍流模型处理流场压力数据,得到流场信息,包括:
根据流场压力数据,采用有限差分算法对三维可压缩曲面边界层方程进行数值离散,得到流场信息。
7.根据权利要求1-6任一项所述的方法,其特征在于,还包括:
根据所述转捩位置和湍流模型修正所述流场信息,其中,所述转捩位置之后对应于所述湍流模型。
8.一种转捩位置确定装置,其特征在于,包括:
流场信息确定模块,用于根据无湍流模型处理流场压力数据,得到流场信息;
预测模块,用于将所述流场信息转换为预设的数据结构并输入至预测网络模型,以获得预测结果,所述预测结果包括扰动波幅值放大系数和扰动波频率的关系;
转捩位置确定模块,用于根据所述扰动波幅值放大系数和扰动波频率的关系确定转捩位置。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的转捩位置确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011219054.9A CN112231847B (zh) | 2020-11-04 | 2020-11-04 | 转捩位置确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011219054.9A CN112231847B (zh) | 2020-11-04 | 2020-11-04 | 转捩位置确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112231847A true CN112231847A (zh) | 2021-01-15 |
CN112231847B CN112231847B (zh) | 2024-04-02 |
Family
ID=74121944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011219054.9A Active CN112231847B (zh) | 2020-11-04 | 2020-11-04 | 转捩位置确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231847B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948973A (zh) * | 2021-03-04 | 2021-06-11 | 北京航空航天大学 | 一种用于连续变弯度后缘的机翼失速颤振闭环控制方法 |
CN113221350A (zh) * | 2021-05-10 | 2021-08-06 | 天津大学 | 基于全局稳定性分析的高超声速飞行器转捩预测方法 |
CN113657051A (zh) * | 2021-08-19 | 2021-11-16 | 天津大学 | 一种水下航行体表面层流区壁面脉动压力频谱预测方法 |
CN113998145A (zh) * | 2022-01-04 | 2022-02-01 | 中国空气动力研究与发展中心计算空气动力研究所 | 飞行器边界层失稳特征检测方法、装置、设备及介质 |
CN114166468A (zh) * | 2021-12-09 | 2022-03-11 | 中国船舶科学研究中心 | 一种水介质中边界层转捩位置测量方法 |
CN115146383A (zh) * | 2022-07-01 | 2022-10-04 | 天津大学 | 一种预报超疏水表面曲面边界层转捩位置的方法 |
CN115659522A (zh) * | 2022-12-27 | 2023-01-31 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器转捩位置预测方法、装置、设备及介质 |
CN117490908A (zh) * | 2023-12-31 | 2024-02-02 | 武汉华康世纪医疗股份有限公司 | 一种用于负压病房的负压检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998019410A2 (en) * | 1996-10-31 | 1998-05-07 | Discovision Associates | Single chip vlsi implementation of a digital receiver employing orthogonal frequency division multiplexing |
US20120245910A1 (en) * | 2011-03-22 | 2012-09-27 | Desktop Aeronautics, Inc. | Predicting transition from laminar to turbulent flow over a surface |
CN108182312A (zh) * | 2017-12-25 | 2018-06-19 | 中国航天空气动力技术研究院 | 一种边界层自然转捩试验数据的天地相关性方法 |
CN108304600A (zh) * | 2017-08-09 | 2018-07-20 | 北京空天技术研究所 | 一种高超声速飞行器转捩位置预测方法 |
CN108304601A (zh) * | 2017-08-09 | 2018-07-20 | 北京空天技术研究所 | 一种高超声速飞行器边界层转捩的判断方法 |
CN108304597A (zh) * | 2017-08-08 | 2018-07-20 | 北京空天技术研究所 | 一种高速飞行器头部前缘转捩预测装置及方法 |
CN110806300A (zh) * | 2019-10-12 | 2020-02-18 | 北京临近空间飞行器系统工程研究所 | 一种适用于高超声速飞行试验转捩研究的测点布置方法 |
-
2020
- 2020-11-04 CN CN202011219054.9A patent/CN112231847B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998019410A2 (en) * | 1996-10-31 | 1998-05-07 | Discovision Associates | Single chip vlsi implementation of a digital receiver employing orthogonal frequency division multiplexing |
US20120245910A1 (en) * | 2011-03-22 | 2012-09-27 | Desktop Aeronautics, Inc. | Predicting transition from laminar to turbulent flow over a surface |
CN108304597A (zh) * | 2017-08-08 | 2018-07-20 | 北京空天技术研究所 | 一种高速飞行器头部前缘转捩预测装置及方法 |
CN108304600A (zh) * | 2017-08-09 | 2018-07-20 | 北京空天技术研究所 | 一种高超声速飞行器转捩位置预测方法 |
CN108304601A (zh) * | 2017-08-09 | 2018-07-20 | 北京空天技术研究所 | 一种高超声速飞行器边界层转捩的判断方法 |
CN108182312A (zh) * | 2017-12-25 | 2018-06-19 | 中国航天空气动力技术研究院 | 一种边界层自然转捩试验数据的天地相关性方法 |
CN110806300A (zh) * | 2019-10-12 | 2020-02-18 | 北京临近空间飞行器系统工程研究所 | 一种适用于高超声速飞行试验转捩研究的测点布置方法 |
Non-Patent Citations (3)
Title |
---|
刘小林等: "激光聚焦扰动作用下高超声速边界层稳定性实验研究", 《物理学报》, vol. 67, no. 21, pages 254 - 265 * |
刘建新等: "小攻角高超声速钝锥边界层中不同扰动对转捩的影响", 《应用数学和力学》, vol. 31, no. 5, pages 505 - 515 * |
赖国俊等: "自然层流翼型高雷诺数风洞试验研究", 《航空科学技术》, vol. 28, no. 8, pages 12 - 15 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948973A (zh) * | 2021-03-04 | 2021-06-11 | 北京航空航天大学 | 一种用于连续变弯度后缘的机翼失速颤振闭环控制方法 |
CN112948973B (zh) * | 2021-03-04 | 2022-05-03 | 北京航空航天大学 | 一种用于连续变弯度后缘的机翼失速颤振闭环控制方法 |
CN113221350A (zh) * | 2021-05-10 | 2021-08-06 | 天津大学 | 基于全局稳定性分析的高超声速飞行器转捩预测方法 |
CN113657051B (zh) * | 2021-08-19 | 2022-05-20 | 天津大学 | 一种水下航行体表面层流区壁面脉动压力频谱预测方法 |
CN113657051A (zh) * | 2021-08-19 | 2021-11-16 | 天津大学 | 一种水下航行体表面层流区壁面脉动压力频谱预测方法 |
CN114166468A (zh) * | 2021-12-09 | 2022-03-11 | 中国船舶科学研究中心 | 一种水介质中边界层转捩位置测量方法 |
CN114166468B (zh) * | 2021-12-09 | 2023-05-12 | 中国船舶科学研究中心 | 一种水介质中边界层转捩位置测量方法 |
CN113998145A (zh) * | 2022-01-04 | 2022-02-01 | 中国空气动力研究与发展中心计算空气动力研究所 | 飞行器边界层失稳特征检测方法、装置、设备及介质 |
CN113998145B (zh) * | 2022-01-04 | 2022-03-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 飞行器边界层失稳特征检测方法、装置、设备及介质 |
CN115146383A (zh) * | 2022-07-01 | 2022-10-04 | 天津大学 | 一种预报超疏水表面曲面边界层转捩位置的方法 |
CN115659522A (zh) * | 2022-12-27 | 2023-01-31 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器转捩位置预测方法、装置、设备及介质 |
CN115659522B (zh) * | 2022-12-27 | 2023-03-28 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器转捩位置预测方法、装置、设备及介质 |
CN117490908A (zh) * | 2023-12-31 | 2024-02-02 | 武汉华康世纪医疗股份有限公司 | 一种用于负压病房的负压检测方法及系统 |
CN117490908B (zh) * | 2023-12-31 | 2024-04-09 | 武汉华康世纪医疗股份有限公司 | 一种用于负压病房的负压检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112231847B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112231847B (zh) | 转捩位置确定方法、装置、电子设备及存储介质 | |
Iuliano et al. | Proper orthogonal decomposition, surrogate modelling and evolutionary optimization in aerodynamic design | |
Winter et al. | Neurofuzzy-model-based unsteady aerodynamic computations across varying freestream conditions | |
Raghavan et al. | Towards a space reduction approach for efficient structural shape optimization | |
Biancolini et al. | Static aeroelastic analysis of an aircraft wind-tunnel model by means of modal RBF mesh updating | |
CN110795869B (zh) | 流场数据的数值计算方法和装置 | |
Duvigneau et al. | Kriging‐based optimization applied to flow control | |
Jameson et al. | Reduction of the adjoint gradient formula for aerodynamic shape optimization problems | |
Sun et al. | A deep learning based prediction approach for the supercritical airfoil at transonic speeds | |
CN113821878B (zh) | 一种改善高超声速气动热热流分布异常的计算方法和装置 | |
Bhardwaj et al. | Fatigue crack growth analysis of a homogeneous plate in the presence of multiple defects using extended isogeometric analysis | |
He et al. | Variable-fidelity hypervolume-based expected improvement criteria for multi-objective efficient global optimization of expensive functions | |
Lee et al. | Development of an optimized trend kriging model using regression analysis and selection process for optimal subset of basis functions | |
Groth et al. | RBF-based mesh morphing approach to perform icing simulations in the aviation sector | |
Cook et al. | Robust airfoil optimization and the importance of appropriately representing uncertainty | |
US10061876B2 (en) | Bounded verification through discrepancy computations | |
CN116384005A (zh) | 一种变形叶片气动性能的确定方法及装置和电子设备 | |
Renganathan | Koopman-based approach to nonintrusive reduced order modeling: Application to aerodynamic shape optimization and uncertainty propagation | |
Chen et al. | Towards high-accuracy deep learning inference of compressible turbulent flows over aerofoils | |
Mao et al. | Physics-informed neural networks with residual/gradient-based adaptive sampling methods for solving partial differential equations with sharp solutions | |
Demir et al. | Robust shape optimization under model uncertainty of an aircraft wing using proper orthogonal decomposition and inductive design exploration method | |
Lombardi et al. | Aircraft air inlet design optimization via surrogate-assisted evolutionary computation | |
El Maani et al. | Multiobjective aerodynamic shape optimization of NACA0012 airfoil based mesh morphing | |
Shimoyama et al. | Practical implementation of robust design assisted by response surface approximation and visual data-mining | |
CN117217108A (zh) | 一种基于cfd的通航飞机飞行仿真的气动力分析方法 |
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 |