CN114235330B - 关联风洞试验和计算数据的多源气动载荷模型构建方法 - Google Patents
关联风洞试验和计算数据的多源气动载荷模型构建方法 Download PDFInfo
- Publication number
- CN114235330B CN114235330B CN202111487744.7A CN202111487744A CN114235330B CN 114235330 B CN114235330 B CN 114235330B CN 202111487744 A CN202111487744 A CN 202111487744A CN 114235330 B CN114235330 B CN 114235330B
- Authority
- CN
- China
- Prior art keywords
- wind tunnel
- data
- tunnel test
- coefficient
- neural network
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 84
- 238000004364 calculation method Methods 0.000 title claims abstract description 42
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 10
- 238000009530 blood pressure measurement Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/08—Aerodynamic models
-
- 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
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种关联风洞试验和计算数据的多源气动载荷模型构建方法，首先获取飞行器多种参考结构的风洞试验数据，包括风洞试验数据轴向力系数、力矩系数、阻力系数和试验压力系数分布、试验摩阻系数分布；然后获取飞行器参考结构的计算数据，包括计算压力系数分布和计算摩阻系数分布；接下来对风洞试验数据和计算数据进行关联，构建以多层神经网络构成的多源气动载荷模型，以风洞试验数据和计算数据为训练样本对多层神经网络进行训练，得到最终的多源气动载荷模型。本发明能够综合考虑多个试验状态下的试验数据，以较低代价准确描述复杂、非线性特征显著的流动工况，极大地提升了现有气动载荷模型的预测精度。
Description
技术领域
本发明属于空气动力学技术领域，具体涉及一种多源气动载荷模型构建方法。
背景技术
在空气动力学领域内，气动载荷作为飞行器设计和使用中最重要的载荷之一，是飞行器气动外形设计、结构设计、强度校核、控制系统设计等环节的关键输入，可以说气动载荷的预测精度直接关系到飞行器的性能和安全。因此，随着飞行器的更新换代和性能要求提升，学术界和工程界始终致力于更高效、更高精度的气动载荷预测方法研究。
表1气动载荷获取方式及特点
由于近年来流场数据的海量增长，研究者可以利用数值模拟或试验中的气动数据，建立数据驱动的气动力模型。数据驱动建模的计算量较低，而且能够一定程度保证较高的精度，因此近年逐渐受到关注。典型的数据驱动模型主要包括半经验模型、降阶模型和代理模型。然而这些数据驱动模型主要依赖于单一来源的数据(数值计算或风洞试验)，并且模型预测精度强烈依赖于建模的样本精度和样本量。尤其对于非线性特征较强的跨声速气动载荷，为了构建较可靠的气动力模型，需要较大规模的高可靠性数据样本，而不管是风洞试验还是数值仿真，高精度气动样本获取难度较大，这让这类气动模型的精度大打折扣。基于有限的试验数据和丰富的计算数据，如何结合数据处理方法获得较全面且精确的气动力和分布载荷数据是当前研究的瓶颈问题。表1给出了当前气动载荷获取的主要方式和特点，包括经典的风洞试验方法，数值仿真方法，气动力模型方法以及多源数据融合方法。
由上表可知，多源数据融合方法通过组合利用风洞试验和数值计算的气动数据，不仅可以提高气动力模型的预测性能，也能保证较低的数据获取代价。然而其目前主要应用于集中力系数的建模，同时缺乏高效的分布载荷建模方法。为解决这个问题，现有的技术方案是以计算数据获得分布载荷场的POD(Proper Orthogonal Decomposition,本征正交分解)基，风洞试验数据求解POD基系数的多源气动力模型。
采用现有方法具有以下缺陷：
(1)在实际工程应用中，往往具有多个试验状态的数据，求解POD系数时只能针对某一个试验状态进行处理，无法综合考虑所有的试验状态；
(2)面临复杂的试验工况如跨声速流动下激波、流动分离等非线性特征显著时，线性降阶方法POD无法以较低代价准确描述复杂的流动现象。
以上缺陷说明，以POD方法为基础的多源气动载荷模型无法准确给出风洞试验测力、测压数据和计算数据的一致性描述。目前，同时考虑计算数据和风洞试验数据的多源气动载荷模型仍有待发展。
发明内容
为了克服现有技术的不足，本发明提供了一种关联风洞试验和计算数据的多源气动载荷模型构建方法，首先获取飞行器多种参考结构的风洞试验数据，包括风洞试验数据轴向力系数、力矩系数、阻力系数和试验压力系数分布、试验摩阻系数分布；然后获取飞行器参考结构的计算数据，包括计算压力系数分布和计算摩阻系数分布；接下来对风洞试验数据和计算数据进行关联，构建以多层神经网络构成的多源气动载荷模型，以风洞试验数据和计算数据为训练样本对多层神经网络进行训练，得到最终的多源气动载荷模型。本发明能够综合考虑多个试验状态下的试验数据，以较低代价准确描述复杂、非线性特征显著的流动工况，极大地提升了现有气动载荷模型的预测精度。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：获取飞行器多种参考结构的风洞试验数据；
确定飞行器参考结构的流动状态参数空间，包括来流马赫数Ma、雷诺数Re、来流迎角α、侧滑角β以及参考结构的空间坐标X、Y、Z信息，得到风洞试验中各个状态下的风洞试验数据轴向力系数力矩系数/>阻力系数/>和试验压力系数分布/>试验摩阻系数分布/>
步骤2：获取飞行器参考结构的计算数据；
在步骤1的飞行器参考结构的流动状态参数空间内进行随机抽样，得到用于数值模拟的流动状态参数，包括来流马赫数Ma、雷诺数Re、来流迎角α、侧滑角β以及参考结构的空间坐标X、Y、Z信息；再通过数值模拟获得计算数据：计算压力系数分布和计算摩阻系数分布/>
步骤3：对风洞试验数据和计算数据进行关联，构建多源气动载荷模型；
步骤3-1：所述多源气动载荷模型通过采用多层神经网络实现，多层神经网络的输入为：Ma、Re、α、β、X、Y、Z构成的7维空间，输出为压力系数分布和摩阻系数分布/>再结合参考结构的物面信息进行积分运算得到轴向力系数/>力矩系数/>和阻力系数/>
步骤3-2：所述多层神经网络的训练数据有两种，分别如下：
(1)步骤1中得到的Ma、Re、α、β、X、Y、Z作为输入，对应的风洞试验数据轴向力系数力矩系数/>阻力系数/>和试验压力系数分布/>试验摩阻系数分布/>作为标签；
(2)步骤2中随机抽样得到的用于数值模拟的流动状态参数Ma、Re、α、β、X、Y、Z作为输入，对应的通过数值模拟获得的计算压力系数分布和计算摩阻系数分布/>以及输入对应的风洞试验数据轴向力系数/>力矩系数/>阻力系数/>作为标签；
步骤3-3：所述多层神经网络的损失函数由 七个部分的误差构成，其中对计算数据施以缩放因子ρ，即
步骤3-4：在训练多层神经网络时，采用梯度反向传播方法，不断对多层神经网络的权重和偏置项进行调整，当损失函数最小化时完成多层神经网络训练，得到最终的多源气动载荷模型；
优选地，所述数值模拟方法为Reynolds-Averaged Navier-Stokes方程求解。
本发明的有益效果如下：
采用本发明的对风洞试验测力、测压数据和计算数据进行一致性匹配的多源气动载荷模型，相比于现有技术方案的POD方法，能够综合考虑多个试验状态下的试验数据，以较低代价准确描述复杂、非线性特征显著的流动工况，极大地提升了现有气动载荷模型的预测精度。同时，基于多层神经网络构建多源、高精度气动载荷模型，有效地对风洞试验测力、测压数据和计算数据进行一致性描述，对于指导后续工作开展具有重要意义。
附图说明
图1为本发明多源气动载荷模型构建的流程图。
图2为本发明多源气动载荷模型中多层神经网络的结构示意图。
图3为本发明多源气动载荷模型中风洞试验测力、测压数据和计算数据一致性描述的结构示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明的目的是提供一种对风洞试验测力、测压数据和计算数据进行一致性匹配的多源气动载荷模型。采用权重分配的方式，考虑试验数据和计算数据对模型的影响。模型将风洞试验测力、测压数据和计算数据均引入到模型的训练过程中，能够实现多源气动数据的一致性描述，以快速进行高效高精度的气动载荷预测，用于指导后续工作的开展。
一种关联风洞试验和计算数据的多源气动载荷模型构建方法，包括如下步骤：
步骤1：获取飞行器多种参考结构的风洞试验数据；
确定飞行器参考结构的流动状态参数空间，包括来流马赫数Ma、雷诺数Re、来流迎角α、侧滑角β以及参考结构的空间坐标X、Y、Z信息，得到风洞试验中各个状态下的风洞试验数据轴向力系数力矩系数/>阻力系数/>和试验压力系数分布/>试验摩阻系数分布/>
步骤2：获取飞行器参考结构的计算数据；
在步骤1的飞行器参考结构的流动状态参数空间内进行随机抽样，得到用于数值模拟的流动状态参数，包括来流马赫数Ma、雷诺数Re、来流迎角α、侧滑角β以及参考结构的空间坐标X、Y、Z信息；再通过Reynolds-Averaged Navier-Stokes(RANS)方程求解获得计算数据：计算压力系数分布和计算摩阻系数分布/>
步骤3：对风洞试验数据和计算数据进行关联，构建多源气动载荷模型；
步骤3-1：所述多源气动载荷模型通过采用多层神经网络实现，具有更强的非线性特征学习能力具有更强的泛化能力，以实现风洞试验数据和计算数据的一致性匹配。
多层神经网络的输入为：Ma、Re、α、β、X、Y、Z构成的7维空间，输出为压力系数分布和摩阻系数分布/>再结合参考结构的物面信息进行积分运算得到轴向力系数/>力矩系数/>和阻力系数/>
步骤3-2：所述多层神经网络的训练数据有两种，分别如下：
(1)步骤1中得到的Ma、Re、α、β、X、Y、Z作为输入，对应的风洞试验数据轴向力系数力矩系数/>阻力系数/>和试验压力系数分布/>试验摩阻系数分布/>作为标签；
(2)步骤2中随机抽样得到的用于数值模拟的流动状态参数Ma、Re、α、β、X、Y、Z作为输入，对应的通过数值模拟获得的计算压力系数分布和计算摩阻系数分布/>以及输入对应的风洞试验数据轴向力系数/>力矩系数/>阻力系数/>作为标签；
步骤3-3：所述多层神经网络的损失函数由 七个部分的误差构成，其中对计算数据施以缩放因子ρ，即
步骤3-4：在训练多层神经网络时，采用梯度反向传播方法，不断对多层神经网络的权重和偏置项进行调整，最终使得神经网络在计算数据的约束下降低模型预测值与风洞试验数据的差异程度，提升神经网络的精度；当损失函数最小化时完成多层神经网络训练，得到最终的多源气动载荷模型；
具体实施例：
在本实施例中具体针对风洞试验数据和求解RANS方程得到的计算数据，采用多层神经网络对不同来源的数据进行关联，该方法具体为：
S1：确定风洞试验任务的流动状态Ma、Re、α、β参数空间以及参考结构的空间坐标X、Y、Z信息，得到各状态下的风洞试验数据轴向力系数力矩系数/>阻力系数/>和压力系数分布/>摩阻系数分布/>并将其作为多层神经网络中损失函数试验部分的训练样本；
S2：根据风洞试验任务的流动状态，在参数空间内进行随机抽样得到数值模拟环境下的流动状态Ma、Re、α、β，确定参考结构的空间坐标X、Y、Z信息，通过求解RANS方程获得计算数据压力系数分布摩阻系数分布/>并将其作为多层神经网络中损失函数计算部分的训练样本；
S3：试验数据与计算数据的一致性匹配
S301：对试验数据和计算数据进行关联，构建输入为Ma、Re、α、β、X、Y、Z，输出为高精度的压力系数分布摩阻系数分布/>进而得到力系数/>的多源气动载荷模型，构建的多源气动载荷模型通过采用多层神经网络实现，该神经网络的训练样本为：输入是Ma、Re、α、β、X、Y、Z构成的7维空间，输出是/>或/>或/>相比于现有技术方案的POD方法，能够综合考虑多个试验状态下的试验数据，极大地提升了现有气动载荷模型的预测能力；
S302：通过步骤S301中的训练样本构造多层神经网络的损失函数，该损失函数由七个部分的误差构成，多层神经网络的轴向力系数/>力矩系数/>阻力系数/>是通过多层神经网络的压力系数分布/>和摩阻系数分布/>结合参考结构的物面信息进行积分运算得到的，其中对计算数据施以缩放因子ρ，即/>
S303：通过步骤S301中的训练样本和步骤S302中的损失函数对该多层神经网络进行训练，在训练多层神经网络时，采用梯度反向传播方法，不断对多层神经网络的权重和偏置项进行调整，以在计算数据的约束下最小化损失函数同时降低模型预测值与风洞试验数据的差异程度，提升神经网络的精度；
S4：训练完成后，以进行高精度气动载荷模拟，对于不在设计参数空间的状态，采用多源气动载荷模型进行预测，能够得到高效高精度的压力系数分布和摩阻系数分布以及轴向力系数/>力矩系数/>阻力系数/>
基于本实施例所提供的关联试验数据和数值模拟数据的多源气动载荷模型，相比于现有技术方案的POD方法，能够综合考虑更多试验状态的数据，更加准确地反映非线性特征。同时该模型能够进一步在未知参数空间内实现高效高精度的气动载荷模拟，进而大大提升风洞试验的效率。
Claims (2)
1.一种关联风洞试验和计算数据的多源气动载荷模型构建方法，其特征在于，包括如下步骤：
步骤1：获取飞行器多种参考结构的风洞试验数据；
确定飞行器参考结构的流动状态参数空间，包括来流马赫数Ma、雷诺数Re、来流迎角α、侧滑角β以及参考结构的空间坐标X、Y、Z信息，得到风洞试验中各个状态下的风洞试验数据轴向力系数力矩系数/>阻力系数/>和试验压力系数分布/>试验摩阻系数分布/>
步骤2：获取飞行器参考结构的计算数据；
在步骤1的飞行器参考结构的流动状态参数空间内进行随机抽样，得到用于数值模拟的流动状态参数，包括来流马赫数Ma、雷诺数Re、来流迎角α、侧滑角β以及参考结构的空间坐标X、Y、Z信息；再通过数值模拟获得计算数据：计算压力系数分布和计算摩阻系数分布/>
步骤3：对风洞试验数据和计算数据进行关联，构建多源气动载荷模型；
步骤3-1：所述多源气动载荷模型通过采用多层神经网络实现，多层神经网络的输入为：Ma、Re、α、β、X、Y、Z构成的7维空间，输出为压力系数分布和摩阻系数分布/>再结合参考结构的物面信息进行积分运算得到轴向力系数/>力矩系数/>和阻力系数/>
步骤3-2：所述多层神经网络的训练数据有两种，分别如下：
(1)步骤1中得到的Ma、Re、α、β、X、Y、Z作为输入，对应的风洞试验数据轴向力系数力矩系数/>阻力系数/>和试验压力系数分布/>试验摩阻系数分布/>作为标签；
(2)步骤2中随机抽样得到的用于数值模拟的流动状态参数Ma、Re、α、β、X、Y、Z作为输入，对应的通过数值模拟获得的计算压力系数分布和计算摩阻系数分布/>以及输入对应的风洞试验数据轴向力系数/>力矩系数/>阻力系数/>作为标签；
步骤3-3：所述多层神经网络的损失函数由 七个部分的误差构成，其中对计算数据施以缩放因子ρ，即
步骤3-4：在训练多层神经网络时，采用梯度反向传播方法，不断对多层神经网络的权重和偏置项进行调整，当损失函数最小化时完成多层神经网络训练，得到最终的多源气动载荷模型。
2.根据权利要求1所述的一种关联风洞试验和计算数据的多源气动载荷模型构建方法，其特征在于，所述数值模拟方法为Reynolds-Averaged Navier-Stokes方程求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111487744.7A CN114235330B (zh) | 2021-12-08 | 2021-12-08 | 关联风洞试验和计算数据的多源气动载荷模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111487744.7A CN114235330B (zh) | 2021-12-08 | 2021-12-08 | 关联风洞试验和计算数据的多源气动载荷模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114235330A CN114235330A (zh) | 2022-03-25 |
| CN114235330B true CN114235330B (zh) | 2023-10-27 |
Family
ID=80753827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111487744.7A Active CN114235330B (zh) | 2021-12-08 | 2021-12-08 | 关联风洞试验和计算数据的多源气动载荷模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114235330B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114491874B (zh) * | 2022-04-07 | 2022-07-26 | 中国航发四川燃气涡轮研究院 | 一种二元喷管进口压力及载荷的快速分析方法 |
| CN116070551B (zh) * | 2023-03-09 | 2023-06-23 | 中国空气动力研究与发展中心超高速空气动力研究所 | 基于权重型吻合度的风洞试验多源数据定量比较方法 |
| CN116227389A (zh) * | 2023-05-08 | 2023-06-06 | 中国空气动力研究与发展中心计算空气动力研究所 | 气动热数据的预测方法及装置 |
| CN117216491B (zh) * | 2023-11-09 | 2024-02-09 | 中国航空工业集团公司哈尔滨空气动力研究所 | 一种基于神经网络的低速风洞支架干扰量预测方法及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103412994A (zh) * | 2013-08-08 | 2013-11-27 | 空气动力学国家重点实验室 | 一种确定高速风洞大型飞机模型缩比的方法 |
| DE102014105259B3 (de) * | 2014-04-14 | 2015-05-13 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Durchführung und Auswertung von Strömungskanalmessungen |
| CN105716826A (zh) * | 2016-02-18 | 2016-06-29 | 江西洪都航空工业集团有限责任公司 | 一种零升阻力系数的雷诺数效应修正方法 |
| CN106932166A (zh) * | 2017-03-12 | 2017-07-07 | 中国十七冶集团有限公司 | 一种基于3d打印技术的超高层建筑风洞试验模型 |
| CN111695192A (zh) * | 2020-05-11 | 2020-09-22 | 上海机电工程研究所 | 气动力多源数据融合和辨识方法、系统及介质 |
| 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2356788B1 (es) * | 2007-12-18 | 2012-02-22 | Airbus Operations, S.L. | Método y sistema para un cálculo rápido de las fuerzas aerodinámicas en una aeronave. |
| US9037440B2 (en) * | 2011-11-09 | 2015-05-19 | Exa Corporation | Computer simulation of fluid flow and acoustic behavior |
| US11373026B2 (en) * | 2019-06-10 | 2022-06-28 | General Electric Company | Deep learning surrogate for turbulent flow |
-
2021
- 2021-12-08 CN CN202111487744.7A patent/CN114235330B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103412994A (zh) * | 2013-08-08 | 2013-11-27 | 空气动力学国家重点实验室 | 一种确定高速风洞大型飞机模型缩比的方法 |
| DE102014105259B3 (de) * | 2014-04-14 | 2015-05-13 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Durchführung und Auswertung von Strömungskanalmessungen |
| CN105716826A (zh) * | 2016-02-18 | 2016-06-29 | 江西洪都航空工业集团有限责任公司 | 一种零升阻力系数的雷诺数效应修正方法 |
| CN106932166A (zh) * | 2017-03-12 | 2017-07-07 | 中国十七冶集团有限公司 | 一种基于3d打印技术的超高层建筑风洞试验模型 |
| CN111695192A (zh) * | 2020-05-11 | 2020-09-22 | 上海机电工程研究所 | 气动力多源数据融合和辨识方法、系统及介质 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| "基于特征正交分解的一类瞬态非线性热传导问题的新型快速分析方法";朱强华 等;《力学学报》;第52卷(第1期);124-137 * |
| A POD-Galerkin reduced-order model for two-dimensional Rayleigh-Bénard convection with viscoelastic fluid;Yue Wanga 等;International Communications in Heat and Mass Transfer;1-13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114235330A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114235330B (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 | |
| Duru et al. | A deep learning approach for the transonic flow field predictions around airfoils | |
| CN109766604B (zh) | 一种基于随机等几何分析的叶片高刚度设计方法 | |
| Wang et al. | Digital twin-driven clamping force control for thin-walled parts | |
| CN115795683B (zh) | 一种融合CNN和Swin Transformer网络的翼型优化方法 | |
| CN114065662B (zh) | 适用于网格拓扑可变的翼型流场快速预测方法 | |
| CN113836634B (zh) | 一种大差异性气动数据的深度神经网络建模方法 | |
| CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
| CN113642236A (zh) | 一种面向多学科的数字孪生图网络建模方法 | |
| CN110188378B (zh) | 一种基于神经网络的气动数据融合方法 | |
| CN113849910B (zh) | 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法 | |
| Teng et al. | Generative adversarial surrogate modeling framework for aerospace engineering structural system reliability design | |
| Zhao et al. | CNC thermal compensation based on mind evolutionary algorithm optimized BP neural network | |
| Yu et al. | Machine vision problem for fast recognition of surface defects of thermoelectric cooler components based on deep learning method | |
| Selvan | On the effect of shape parameterization on aerofoil shape optimization | |
| CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
| Lin et al. | The future of environmental performance architectural design based on human-computer interaction | |
| CN113435055A (zh) | 盾构刀盘扭矩领域自适应迁移预测方法和系统 | |
| Zheng | Automatic fault diagnosis method for hydrodynamic control system | |
| Ding et al. | IRMSwin-T: A lightweight shifted windows transformer based on inverted residual structure and residual multi-layer perceptron for rolling bearing fault diagnosis | |
| Wu et al. | Adjoint-based optimization for blended-wing-body underwater gliders' shape design | |
| CN117217121B (zh) | 基于分布式并行topso-ewoa-de算法的岩体力学参数反演方法及系统 | |
| Merle et al. | Gradient-based optimization of a flexible long-range transport aircraft using a high-dimensional CAD-ROM parameterization | |
| Guo et al. | Research on dynamic decision-making for product assembly sequence based on Connector-Linked Model and deep reinforcement learning | |
| CN116089818B (zh) | 机械加工过程中工件表面粗糙度预测方法、系统及产品 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230105 Address after: 710086 F15, 3-D Science and Innovation Building, Phase I, Start Zone, Fengdong New City Energy Jinmao District, Xixian New District, Xi'an, Shaanxi Applicant after: Xixian New Area Tianshu Aviation Technology Co.,Ltd. Address before: 710072 No. 127 Youyi West Road, Shaanxi, Xi'an Applicant before: Northwestern Polytechnical University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |