CN113849910A - 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法 - Google Patents

一种基于Dropout的BiLSTM网络机翼阻力系数预测方法 Download PDF

Info

Publication number
CN113849910A
CN113849910A CN202111114463.7A CN202111114463A CN113849910A CN 113849910 A CN113849910 A CN 113849910A CN 202111114463 A CN202111114463 A CN 202111114463A CN 113849910 A CN113849910 A CN 113849910A
Authority
CN
China
Prior art keywords
wing
dropout
data set
bilstm network
network model
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
Application number
CN202111114463.7A
Other languages
English (en)
Other versions
CN113849910B (zh
Inventor
王枭
李冠雄
姜屹
邓小刚
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202111114463.7A priority Critical patent/CN113849910B/zh
Publication of CN113849910A publication Critical patent/CN113849910A/zh
Application granted granted Critical
Publication of CN113849910B publication Critical patent/CN113849910B/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于Dropout的BiLSTM网络机翼阻力系数预测方法，通过获取机翼外形参数与机翼阻力系数构建机翼参数数据集，并根据机翼参数数据集得到特征工程数据集，完成对构建Dropout‑BiLSTM网络模型的训练，同时基于训练后的Dropout‑BiLSTM网络模型完成机翼阻力系数的预测，本发明采用了基于深度学习下的BiLSTM神经网络和Dropout机制的联合架构设计，充分挖掘机翼外形参数的设定对于机翼阻力系数的影响关系，利用BiLSTM网络方便序列建模，具备长时记忆能力，以及能一定程度上解决优化过程中的梯度爆炸或梯度消失的问题的优势，结合Dropout机制在避免模型出现过拟合的优势，提高整体Dropout‑BiLSTM网络模型的性能，与传统解算方式相比，获得高准确率的同时，极大地降低运算过程的时间量级。

Description

一种基于Dropout的BiLSTM网络机翼阻力系数预测方法
技术领域
本发明涉及机翼阻力系数预测领域，具体涉及一种基于Dropout的BiLSTM网络机翼阻力系数预测方法。
背景技术
高空长航时无人机在军事和民用领域具有广阔的应用前景，而翼型是影响该类飞行器气动性能的关键。因此，层流翼型气动性能预测是高空长航时无人机研究中的关键技术，气动阻力系数就是其中重要的一环。
当前关于机翼气动阻力系数的预测方法主要是分为传统数值模拟方法和人工神经网络方法。
传统方式得到机翼阻力系数通常采用计算流体力学(CFD)软件进行数值仿真，根据Navier-Stocks方程建立系统数学模型，再带入相关参数进行求解计算，建模过程极为复杂，虽然计算准确度高，但耗费大量的时间。
人工神经网络这类方法不需要建立复杂的数学模型，常见的有RBF神经网络。这类网络可以挖掘数据之间的关系，建立机翼外形参数与气动阻力系数之间的非线性模型，虽然比传统计算速度要快，但整体效率并不高，而且在计算过程中很容易出现局部最优，过拟合的问题。因此，如何高效准确地预测气动阻力系数成为了重点研究课题。
发明内容
针对现有技术中的上述不足：无法高效准确预测气动阻力系数，且未回避计算过程的局部最优，过拟合问题，本发明提供了一种基于Dropout的BiLSTM网络机翼阻力系数预测方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于Dropout的BiLSTM网络机翼阻力系数预测方法，包括以下步骤：
S1、获取机翼外形参数与机翼阻力系数，并构建机翼参数数据集；
S2、根据构建的机翼参数数据集构建特征工程数据集；
S3、构建Dropout-BiLSTM网络模型，并根据特征工程数据集进行模型训练，得到训练后的Dropout-BiLSTM网络模型；
S4、利用训练后的Dropout-BiLSTM网络模型预测机翼阻力系数。
本发明具有以下有益效果：
通过获取机翼外形参数与机翼阻力系数，同时基于获得机翼外形参数与机翼阻力系数构建机翼参数数据集，并得到特征工程数据集；构建Dropout-BiLSTM网络模型，充分挖掘机翼外形相关参数的设定对于机翼阻力系数的影响关系，基于BiLSTM层具备的方便序列建模，以及长时记忆的能力，在一定程度上解决优化过程中的梯度爆炸或梯度消失的问题，同时基于Dropout机制可以避免最终模型出现过拟合的现象，使得最终的模型可以得到高精度高准确率的性能输出，并根据特征工程数据集进行模型训练，得到训练后的Dropout-BiLSTM网络模型，并基于训练后的Dropout-BiLSTM网络模型完成机翼阻力系数的预测，与传统解算方式相比，获得高准确率的同时，极大地降低运算过程的时间量级。
进一步地，步骤S1具体包括以下分步骤：
S11、以预设控制参数为NURBS曲线控制点坐标，采用拉丁超立方采样法生成机翼外形参数；
S12、根据步骤S11中机翼外形参数生成翼型NURBS曲线外型；
S13、根据步骤S12中翼型NURBS曲线外型划分翼型外流场结构网格；
S14、利用Navier-Stocks方程模型结合步骤S13中翼型外流场结构网格得到机翼阻力系数；
S15、对步骤S11中机翼外形参数与步骤S14中机翼阻力系数进行预处理；
S16、对步骤S15中预处理后的机翼外形参数进行归一化，并结合预处理后的机翼阻力系数构建机翼参数数据集。
该进一步方案的有益效果为：
对数据进行预处理，为后续模型构建与训练提供数据支撑。
进一步地，步骤S16中对预处理后的机翼外形参数进行归一化的计算式表示为：
Figure BDA0003274796480000031
其中，X为预处理后的机翼外形参数归一化值，x为预处理后的机翼外形参数，xmin为预处理后的机翼外形参数中最小值，xmax为预处理后的机翼外形参数中最大值。
该进一步方案的有益效果为：
数据归一化后，可以有效消除量纲差异，进而可以加速优化过程。
进一步地，步骤S2具体为：
以步骤S1中构建的机翼参数数据集内机翼阻力系数构建标签数据集，以除机翼阻力系数外其他数据作为输入参数数据集，得到特征工程数据集。
该进一步方案的有益效果为：
通过得到的机翼参数数据集构建特征工程数据集，为后续的模型训练得到相关数据支撑。
进一步地，步骤S3具体包括以下分步骤：
S31、构建BiLSTM网络层；
S32、通过至少两个BiLSTM网络层与全连接层构建初始BiLSTM网络模型；
S33、在初始BiLSTM网络模型的第一个BiLSTM网络层与第二个BiLSTM网络层后均添加一个Dropout层，得到Dropout-BiLSTM网络模型；
S34、对特征工程数据集进行切割划分，得到训练数据集与测试数据集；
S35、利用训练数据集训练Dropout-BiLSTM网络模型，得到训练后的初始Dropout-BiLSTM网络模型；
S36、利用测试数据集对训练后的初始Dropout-BiLSTM网络模型进行验证，若满足预期结果则输出当前训练后的初始Dropout-BiLSTM网络模型，作为训练后的Dropout-BiLSTM网络模型，否则返回步骤S35。
该进一步方案的有益效果为：
利用BiLSTM网络层方便序列建模，具备长时间记忆的能力，且在一定程度上解决优化过程中的梯度爆炸或爆炸消失的问题，同时与单向LSTM相比，不仅能够记忆之前的信息还能记忆当前数据后的数据，迭加上Dropout机制后，可以避免最终模型出现过拟合的现象，为构建的预测模型，即Dropout-BiLSTM网络模型得到高性能，从而充分挖掘到机翼外形相关参数的设定对于机翼阻力系数的影响关系，从而达到预测机翼阻力系数的最终目的。
进一步地，步骤S31中构建的BiLSTM网络层具体包括：
输入门、输出门、遗忘门以及细胞状态；
输入门的计算式表示为：
it＝sig(Wi·[ht-1,xt]+bi)
其中，it为状态步长为t的输入门，sig(.)为S形激活曲线，Wi为输入门i所对应的权重矩阵，ht-1为状态步长为t-1的单元细胞的输出，xt为状态步长为t的单元细胞的输入，bi为输入门i所对应的偏置矩阵，[.]为对括号内矩阵做乘积运算；输出门的计算式表示为：
ot＝sig(Wo[ht-1,xt]+bo)
其中，ot为状态步长为t的输出门，Wo为输出门o所对应的权重矩阵，bo为输出门o所对应的偏置矩阵；
遗忘门的计算式表示为：
ft＝sig(Wf·[ht-1,xt]+bf)
其中，ft为状态步长为t的遗忘门，Wf为遗忘门f所对应的权重矩阵，bf为遗忘门f所对应的偏置矩阵。
细胞状态的计算式表示为：
Figure BDA0003274796480000051
其中，Ct为状态步长为t的细胞状态，*为向量点乘计算符，Ct-1为状态步长为t-1的细胞状态，
Figure BDA0003274796480000052
为状态步长为t的临时细胞状态。
该进一步方案的有益效果为：
采用BiLSTM网络层方便序列建模，具备长时间记忆的能力，且在一定程度上解决优化过程中的梯度爆炸或爆炸消失的问题，同时与单向LSTM相比，不仅能够记忆之前的信息还能记忆当前数据后的数据。
进一步地，步骤S4具体为：
采用步骤S1中获取机翼外形参数的方式得到待测机翼外形参数，并作为训练后的Dropout-BiLSTM网络模型输入，根据训练后的Dropout-BiLSTM网络模型输出得到预测机翼阻力系数。
该进一步方案的有益效果为：
通过训练得到的Dropout-BiLSTM网络模型挖掘充分挖掘机翼外形相关参数的设定对于机翼阻力系数的影响关系，进而达到预测机翼阻力系数的最终目的，与传统解算方式相比，在获得高精度高准确率的同时极大地降低运算过程的时间量级。
附图说明
图1为本发明提供的一种基于Dropout的BiLSTM网络机翼阻力系数预测方法的步骤流程图；
图2为本发明中步骤S1的分步骤流程图；
图3为本发明中步骤S3的分步骤流程图；
图4为本发明中BiLSTM隐藏层结构示意图；
图5为本发明中Dropout-BiLSTM网络模型的结构示意图；
图6为本发明中添加Dropout机制的网络连接对比示意图，其中，图6(a)为标准BiLSTM层的网络连接，图6(b)为添加Dropout机制的BiLSTM层的网络连接；
图7为本发明实施例中训练后的Dropout-BiLSTM网络模型的结构示意图；
图8为本发明实施例中基于训练后的Dropout-BiLSTM网络模型的预测结果。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本发明实施例提供了一种基于Dropout的BiLSTM网络机翼阻力系数预测方法，包括以下步骤S1至步骤S4：
S1、获取机翼外形参数与机翼阻力系数，并构建机翼参数数据集；
如图2所示，本发明实施例中，步骤S1具体包括以下分步骤：
S11、以预设控制参数为NURBS曲线控制点坐标，采用拉丁超立方采样法生成机翼外形参数；
S12、根据步骤S11中机翼外形参数生成翼型NURBS曲线外型；
S13、根据步骤S12中翼型NURBS曲线外型划分翼型外流场结构网格；
实际中，采用ICEM软件划分翼型外流场结构网格。
S14、利用Navier-Stocks方程模型结合步骤S13中翼型外流场结构网格得到机翼阻力系数；
实际中，建立Navier-Stocks方程模型，并将划分得到的翼型外流场结构网格导入模型，解算机翼阻力系数。
S15、对步骤S11中机翼外形参数与步骤S14中机翼阻力系数进行预处理；
实际中，在计算过程异常的数据，即缺失特征参数的数据，在计算过程中会导致输出的数值缺失，因此需要将得到的机翼外形参数与机翼阻力系数中缺失特征参数的数据进行删除。
S16、对步骤S15中预处理后的机翼外形参数进行归一化，并结合预处理后的机翼阻力系数构建机翼参数数据集。
本发明实施例中，步骤S16中对预处理后的机翼外形参数进行归一化的计算式表示为：
Figure BDA0003274796480000081
其中，X为预处理后的机翼外形参数归一化值，x为预处理后的机翼外形参数，xmin为预处理后的机翼外形参数中最小值，xmax为预处理后的机翼外形参数中最大值。
实际中，对每个机翼外形参数进行归一化处理，将所有数据按照比例映射到[0，1]区间。
S2、根据构建的机翼参数数据集构建特征工程数据集；
本发明实施例中，步骤S2具体为：
以步骤S1中构建的机翼参数数据集内机翼阻力系数构建标签数据集，以除机翼阻力系数外其他数据作为输入参数数据集，得到特征工程数据集。
S3、构建Dropout-BiLSTM网络模型，并根据特征工程数据集进行模型训练，得到训练后的Dropout-BiLSTM网络模型；
如图3所示，步骤S3具体包括以下分步骤：
S31、构建BiLSTM网络层；
实际中，BiLSTM网络层可以分为两类，将各机翼中除机翼阻力系数外其他数据构建的多维矩阵作为BiLSTM网络层的输入，将机翼阻力系数作为BiLSTM网络层的输出，其中，多维矩阵可表示为：
Figure BDA0003274796480000082
其中，每一行中矩阵元素为一个机翼所包含的除机翼阻力系数外其他数据，每一列中矩阵元素为一类机翼外形参数，X为输入参数数据集，cd为标签数据集，Yn为机翼阻力系数。
本发明实施例中，步骤S31中构建的BiLSTM网络层具体包括：
实际中，如图4所示，BiLSTM网络层的隐藏层结构包括输入门、输出门、遗忘门以及细胞状态。
输入门、输出门、遗忘门以及细胞状态；
输入门的计算式表示为：
it＝sig(Wi·[ht-1,xt]+bi)
其中，it为状态步长为t的输入门，sig(.)为S形激活曲线，可表示为：
Figure BDA0003274796480000091
Wi为输入门i所对应的权重矩阵，ht-1为状态步长为t-1的单元细胞的输出，h也可表示为急剧变化的短期记忆状态，xt为状态步长为t的单元细胞的输入，bi为输入门i所对应的偏置矩阵，[.]为对括号内矩阵做乘积运算；输出门的计算式表示为：
ot＝sig(Wo[ht-1,xt]+bp)
其中，pt为状态步长为t的输出门，Wp为输出门o所对应的权重矩阵，bo为输出门o所对应的偏置矩阵；
遗忘门的计算式表示为：
ft＝sig(Wf·[ht-1,xt]+bf)
其中，ft为状态步长为t的遗忘门，Wf为遗忘门f所对应的权重矩阵，bf为遗忘门f所对应的偏置矩阵。
细胞状态的计算式表示为：
Figure BDA0003274796480000101
其中，Ct为状态步长为t的细胞状态，C为随着时间缓慢变化的细胞状态，表示长时记忆，*为向量点乘计算符，Ct-1为状态步长为t-1的细胞状态，
Figure BDA0003274796480000102
为状态步长为t的临时细胞状态，可表示为：
Figure BDA0003274796480000103
tanh(.)为双曲正切激活函数，计算可表示为：
Figure BDA0003274796480000104
WC为细胞状态C所对应的权重矩阵，bC为细胞状态C所对应的偏置矩阵。
S32、通过至少两个BiLSTM网络层与全连接层构建初始BiLSTM网络模型；
S33、在初始BiLSTM网络模型的第一个BiLSTM网络层与第二个BiLSTM网络层后均添加一个Dropout层，得到Dropout-BiLSTM网络模型；
本实施例中，如图5所示，整个Dropout-BiLSTM网络模型包括四个BiLSTM网络层，两个Dropout层，以及一个全连接层，其中，分别在前两层BiLSTM网络层后均添加一个Dropout层，然后依次排布两个BiLSTM网络层，最后以一个全连接层进行输出。
实际中，如图6(a)所示，每个神经元都与其他的神经元进行连接，添加Dropout层后，如图6(b)所示，每个神经单元以一定的概率被保留，这样不仅加快了训练速度，同样地防止了在训练过程中出现过拟合的情况。
S34、对特征工程数据集进行切割划分，得到训练数据集与测试数据集；
S35、利用训练数据集训练Dropout-BiLSTM网络模型，得到训练后的初始Dropout-BiLSTM网络模型；
S36、利用测试数据集对训练后的初始Dropout-BiLSTM网络模型进行验证，若满足预期结果则输出当前训练后的初始Dropout-BiLSTM网络模型，作为训练后的Dropout-BiLSTM网络模型，否则返回步骤S35。
实际中，经过特征工程数据集划分的训练数据集与测试数据集完成对Dropout-BiLSTM网络模型的训练，本发明实施例中，使用Adam作为优化器，损失函数为mse进行具体的模型训练，同时训练过程中批处理参数batch size设置为32，保存训练过程中最佳模型，得到训练后的Dropout-BiLSTM网络模型如图7所示，其中Dropout的值分别为0.2、0.1，以及BiLSTM网络神经元units个数分别为256、256、128、32，最后通过全连接层Dense进行输出。
S4、利用训练后的Dropout-BiLSTM网络模型预测机翼阻力系数。
本发明实施例中，步骤S4具体为：
采用步骤S1中获取机翼外形参数的方式得到待测机翼外形参数，并作为训练后的Dropout-BiLSTM网络模型输入，根据训练后的Dropout-BiLSTM网络模型输出得到预测机翼阻力系数。
实际中，如图8所示，本发明实施例中通过采用步骤S1中获取机翼外形参数的方式得到待测机翼外形参数，并作为训练后的Dropout-BiLSTM网络模型输入，将得到的预测真实值Pred value与真实值True value之间进行对比，预测准确率为99.3％，预测值近乎于真实值，实现了预测的目的。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种基于Dropout的BiLSTM网络机翼阻力系数预测方法，其特征在于，包括以下步骤：
S1、获取机翼外形参数与机翼阻力系数，并构建机翼参数数据集；
S2、根据构建的机翼参数数据集构建特征工程数据集；
S3、构建Dropout-BiLSTM网络模型，并根据特征工程数据集进行模型训练，得到训练后的Dropout-BiLSTM网络模型；
S4、利用训练后的Dropout-BiLSTM网络模型预测机翼阻力系数。
2.根据权利要求1所述的基于Dropout的BiLSTM网络机翼阻力系数的预测方法，其特征在于，步骤S1具体包括以下分步骤：
S11、以预设控制参数为NURBS曲线控制点坐标，采用拉丁超立方采样法生成机翼外形参数；
S12、根据步骤S11中机翼外形参数生成翼型NURBS曲线外型；
S13、根据步骤S12中翼型NURBS曲线外型划分翼型外流场结构网格；
S14、利用Navier-Stocks方程模型结合步骤S13中翼型外流场结构网格得到机翼阻力系数；
S15、对步骤S11中机翼外形参数与步骤S14中机翼阻力系数进行预处理；
S16、对步骤S15中预处理后的机翼外形参数进行归一化，并结合预处理后的机翼阻力系数构建机翼参数数据集。
3.根据权利要求2所述的基于Dropout的BiLSTM网络机翼阻力系数的预测方法，其特征在于，步骤S16中对预处理后的机翼外形参数进行归一化的计算式表示为：
Figure FDA0003274796470000021
其中，X为预处理后的机翼外形参数归一化值，x为预处理后的机翼外形参数，xmin为预处理后的机翼外形参数中最小值，xmax为预处理后的机翼外形参数中最大值。
4.根据权利要求1所述的基于Dropout的BiLSTM网络机翼阻力系数的预测方法，其特征在于，步骤S2具体为：
以步骤S1中构建的机翼参数数据集内机翼阻力系数构建标签数据集，以除机翼阻力系数外其他数据作为输入参数数据集，得到特征工程数据集。
5.根据权利要求4所述的基于Dropout的BiLSTM网络机翼阻力系数的预测方法，其特征在于，步骤S3具体包括以下分步骤：
S31、构建BiLSTM网络层；
S32、通过至少两个BiLSTM网络层与全连接层构建初始BiLSTM网络模型；
S33、在初始BiLSTM网络模型的第一个BiLSTM网络层与第二个BiLSTM网络层后均添加一个Dropout层，得到Dropout-BiLSTM网络模型；
S34、对特征工程数据集进行切割划分，得到训练数据集与测试数据集；
S35、利用训练数据集训练Dropout-BiLSTM网络模型，得到训练后的初始Dropout-BiLSTM网络模型；
S36、利用测试数据集对训练后的初始Dropout-BiLSTM网络模型进行验证，若满足预期结果则输出当前训练后的初始Dropout-BiLSTM网络模型，作为训练后的Dropout-BiLSTM网络模型，否则返回步骤S35。
6.根据权利要求5所述的基于Dropout的BiLSTM网络机翼阻力系数的预测方法，其特征在于，步骤S31中构建的BiLSTM网络层具体包括：
输入门、输出门、遗忘门以及细胞状态；
输入门的计算式表示为：
it＝sig(Wi·[ht-1，xt]+bi)
其中，it为状态步长为t的输入门，sig(.)为S形激活曲线，Wi为输入门i所对应的权重矩阵，ht-1为状态步长为t-1的单元细胞的输出，xt为状态步长为t的单元细胞的输入，bi为输入门i所对应的偏置矩阵，[.]为对括号内矩阵做乘积运算；
输出门的计算式表示为：
ot＝sig(Wo[ht-1，xt]+bo)
其中，ot为状态步长为t的输出门，Wo为输出门o所对应的权重矩阵，bo为输出门o所对应的偏置矩阵；
遗忘门的计算式表示为：
ft＝sig(Wf·[ht-1，xt]+bf)
其中，ft为状态步长为t的遗忘门，Wf为遗忘门f所对应的权重矩阵，bf为遗忘门f所对应的偏置矩阵。
细胞状态的计算式表示为：
Figure FDA0003274796470000031
其中，Ct为状态步长为t的细胞状态，*为向量点乘计算符，Ct-1为状态步长为t-1的细胞状态，
Figure FDA0003274796470000032
为状态步长为t的临时细胞状态。
7.根据权利要求1所述的基于Dropout的BiLSTM网络机翼阻力系数的预测方法，其特征在于，步骤S4具体为：
采用步骤S1中获取机翼外形参数的方式得到待测机翼外形参数，并作为训练后的Dropout-BiLSTM网络模型输入，根据训练后的Dropout-BiLSTM网络模型输出得到预测机翼阻力系数。
CN202111114463.7A 2021-09-23 2021-09-23 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法 Active CN113849910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111114463.7A CN113849910B (zh) 2021-09-23 2021-09-23 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111114463.7A CN113849910B (zh) 2021-09-23 2021-09-23 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法

Publications (2)

Publication Number Publication Date
CN113849910A true CN113849910A (zh) 2021-12-28
CN113849910B CN113849910B (zh) 2022-07-08

Family

ID=78978807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111114463.7A Active CN113849910B (zh) 2021-09-23 2021-09-23 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法

Country Status (1)

Country Link
CN (1) CN113849910B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795683A (zh) * 2022-12-08 2023-03-14 四川大学 一种融合CNN和Swin Transformer网络的翼型优化方法
CN116702096A (zh) * 2023-08-04 2023-09-05 中汽研汽车检验中心(昆明)有限公司 车辆高原环境道路滑行阻力测算方法及装置
CN118211495A (zh) * 2024-05-21 2024-06-18 大连理工大学 一种基于数据-模型联合驱动的无人矿用电铲动态挖掘阻力建模方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834772A (zh) * 2015-04-22 2015-08-12 复旦大学 基于人工神经网络的飞机翼型/机翼反设计方法
US20180096259A1 (en) * 2016-09-30 2018-04-05 Disney Enterprises, Inc. Deep-learning motion priors for full-body performance capture in real-time
CN109711048A (zh) * 2018-12-26 2019-05-03 北京航空航天大学 一种考虑气动和结构多类型设计变量的机翼设计方法
CN109902881A (zh) * 2019-03-19 2019-06-18 武汉乐易创想科技有限公司 基于多元统计分析和lstm融合的pm2.5浓度预测方法
CN110148230A (zh) * 2019-05-20 2019-08-20 兴民智通(武汉)汽车技术有限公司 一种基于lstm神经网络的整车载重预测方法
CN111353631A (zh) * 2019-11-26 2020-06-30 国网山东省电力公司电力科学研究院 基于多层lstm的火电厂凝汽器真空度预测方法
US20200218270A1 (en) * 2019-01-07 2020-07-09 Wing Aviation Llc Using machine learning techniques to estimate available energy for vehicles
CN112329359A (zh) * 2020-11-12 2021-02-05 天津工业大学 一种明冰条件下风力机翼型气动性能的神经网络预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834772A (zh) * 2015-04-22 2015-08-12 复旦大学 基于人工神经网络的飞机翼型/机翼反设计方法
US20180096259A1 (en) * 2016-09-30 2018-04-05 Disney Enterprises, Inc. Deep-learning motion priors for full-body performance capture in real-time
CN109711048A (zh) * 2018-12-26 2019-05-03 北京航空航天大学 一种考虑气动和结构多类型设计变量的机翼设计方法
US20200218270A1 (en) * 2019-01-07 2020-07-09 Wing Aviation Llc Using machine learning techniques to estimate available energy for vehicles
CN109902881A (zh) * 2019-03-19 2019-06-18 武汉乐易创想科技有限公司 基于多元统计分析和lstm融合的pm2.5浓度预测方法
CN110148230A (zh) * 2019-05-20 2019-08-20 兴民智通(武汉)汽车技术有限公司 一种基于lstm神经网络的整车载重预测方法
CN111353631A (zh) * 2019-11-26 2020-06-30 国网山东省电力公司电力科学研究院 基于多层lstm的火电厂凝汽器真空度预测方法
CN112329359A (zh) * 2020-11-12 2021-02-05 天津工业大学 一种明冰条件下风力机翼型气动性能的神经网络预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JINSONG ZHANG,ET AL.: "PM2.5 Concentration Prediction Based on CNN-BiLSTM and Attention Mechanism", 《ALGORITHMS》 *
WENXIN YANG,ET AL.: "Extracting Online Recruitment Information Based on BiLSTM-Dropout-CRF Model", 《IEEE》 *
吕飞亚 等: "注意力机制的BiLSTM模型在招聘信息分类中的应用", 《计算机系统应用》 *
李冠雄 等: "低压储能的升浮一体飞行器总体参数研究", 《航空学报》 *
熊俊涛 等: "基于Navier-Stokes方程跨声速翼型和机翼气动优化设计", 《空气动力学学报》 *
闰国启 等: "基于多输出高斯过程回归的飞机翼型快速设计", 《万方》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795683A (zh) * 2022-12-08 2023-03-14 四川大学 一种融合CNN和Swin Transformer网络的翼型优化方法
CN115795683B (zh) * 2022-12-08 2023-07-21 四川大学 一种融合CNN和Swin Transformer网络的翼型优化方法
CN116702096A (zh) * 2023-08-04 2023-09-05 中汽研汽车检验中心(昆明)有限公司 车辆高原环境道路滑行阻力测算方法及装置
CN116702096B (zh) * 2023-08-04 2023-10-03 中汽研汽车检验中心(昆明)有限公司 车辆高原环境道路滑行阻力测算方法及装置
CN118211495A (zh) * 2024-05-21 2024-06-18 大连理工大学 一种基于数据-模型联合驱动的无人矿用电铲动态挖掘阻力建模方法

Also Published As

Publication number Publication date
CN113849910B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN113849910B (zh) 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法
Shen et al. Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network
CN111292525B (zh) 基于神经网络的交通流预测方法
CN110245801A (zh) 一种基于组合挖掘模型的电力负荷预测方法及系统
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN113836634B (zh) 一种大差异性气动数据的深度神经网络建模方法
CN111798991A (zh) 基于lstm的新冠肺炎疫情群体态势预测方法
Yu et al. Research and implementation of CNN based on TensorFlow
Kyriacou et al. Efficient PCA-driven EAs and metamodel-assisted EAs, with applications in turbomachinery
Kumar et al. Wind speed prediction using deep learning-LSTM and GRU
CN114235330A (zh) 关联风洞试验和计算数据的多源气动载荷模型构建方法
CN113722997A (zh) 一种基于静态油气田数据的新井动态产量预测方法
CN112508286A (zh) 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法
CN117277279A (zh) 一种基于粒子群优化的深度学习短期负荷预测方法
CN116628854A (zh) 一种翼型气动特性预测方法、系统、电子设备及存储介质
Kosykh et al. Integration of big data processing tools and neural networks for image classification
CN111783688B (zh) 一种基于卷积神经网络的遥感图像场景分类方法
CN112862211A (zh) 通信管理系统动环缺陷派单方法及装置
CN115345257B (zh) 飞行轨迹分类模型训练方法、分类方法、装置及存储介质
CN107038244A (zh) 一种数据挖掘方法和装置、一种可读介质和存储控制器
CN116911459A (zh) 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法
CN114818128B (zh) 船体局部曲面优化神经网络建模方法及优化方法
CN116296239A (zh) 基于卷积神经网络的风洞试验方法、装置、设备和介质
CN113435055B (zh) 盾构刀盘扭矩领域自适应迁移预测方法和系统
CN113722951B (zh) 基于神经网络的散射体三维有限元网格优化方法

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