CN114676639A - 基于神经网络的飞行器气动外形优化方法、装置及介质 - Google Patents

基于神经网络的飞行器气动外形优化方法、装置及介质 Download PDF

Info

Publication number
CN114676639A
CN114676639A CN202210344429.7A CN202210344429A CN114676639A CN 114676639 A CN114676639 A CN 114676639A CN 202210344429 A CN202210344429 A CN 202210344429A CN 114676639 A CN114676639 A CN 114676639A
Authority
CN
China
Prior art keywords
aircraft
model
profile
neural network
shape
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.)
Pending
Application number
CN202210344429.7A
Other languages
English (en)
Inventor
武频
袁雯琰
刘志涛
许立基
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202210344429.7A priority Critical patent/CN114676639A/zh
Publication of CN114676639A publication Critical patent/CN114676639A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/28—Fuselage, exterior or interior
    • 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

Landscapes

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

Abstract

本发明公开一种基于神经网络的飞行器气动外形优化方法、装置及介质。具体是通过WGAN‑div模型学习现有的飞行器形状特征，并使用潜在变量来稳定地生成多样化的设计，通过卷积神经网络对生成的飞行器形状进行智能参数化，通过MMoE‑3D模型的训练多任务学习，以实现对飞行条件下马赫数(0.4‑0.8,1.2‑1.6)和滚动角(2°‑90°)的轴向力CA、法向力CN、俯仰力矩Cm和压力中心Xcp的快速预测。最后，这三个部分被整合，并使用差分进化算法(DE)来完成飞行器形状的优化设计，有效地解决了飞行器气动外形优化慢的问题。

Description

基于神经网络的飞行器气动外形优化方法、装置及介质
技术领域
本发明涉及飞行器气动外形设计领域，更具体地，涉及一种基于神经网络的飞行器气动外形优化方法、装置及介质。
背景技术
由于飞行器的气动数据与飞行器外形参数高度非线性相关，基于空气动力学的飞行器形状设计是一项非常困难和耗时的任务。因此，设计一个自动和高效的框架来设计飞行器的空气动力学形状以满足各种性能要求是很重要的。早期的空气动力学设计依赖于试错法，导致设计效率不高，不仅需要敏锐的直觉和大量的经验，还需要大量的财政和物质资源。因此，用这种方法很难获得真正的最优方案。
在20世纪70年代，随着计算机技术的不断提高，基于计算流体力学(CFD)的空气动力学设计方法开始发展。CFD、风洞试验和理论分析逐渐成为空气动力学设计的主要工具。由于风洞试验过于昂贵，理论分析不能准确描述空气动力学细节，基于CFD的空气动力学设计方法被逐渐引入。目前，与CFD相结合的空气动力形状优化设计方法主要分为两类：无梯度方法和梯度方法。这两种方法由于缺少快速的飞行器气动数据预测工具，都会消耗大量的时间。
为了减少计算的时间和成本，开始出现了将深度生成模型与CFD相结合的方法，以加快空气动力学优化设计过程。Yilmaz和German使用条件生成式对抗网络模型(CGAN)来学习翼型形状和条件数据库之间的关系，它可以根据指定的失速条件或阻力系数作为条件数据输入网络来生成所需的翼型形状。Du和He提出了一个快速、互动的设计框架，使机翼空气动力学优化在几秒钟内完成。该框架使用基于BS样条曲线的生成对抗网络模型(BSplineGAN)进行翼型形状参数化，并结合多层感知器、递归神经网络和多门专家混合神经网络进行代用建模，以实现对各种马赫数和雷诺数的标量(阻力和升力)和矢量(压力分布)预测。Lei等人采用Wasserstein生成式对抗网络、遗传算法和深度卷积神经网络进行基于RAE2822翼型的反向设计，最后通过具体的设计目标进一步验证了所提多阶段方法的设计性能。
然而，上述研究人员的研究是有效的，仅限于翼型的优化设计，不能扩展到其他工程设计需要。飞行器(多体)的形状比单一部件的翼型形状更加复杂多变，且目前还缺乏针对飞行器的快速空气动力学预测工具。在翼型的设计中，研究人员通常使用数学表示法，其灵活性有限，难以应用于飞行器的空气动力学形状。Yan等人提出了一种新的优化器，并对飞行器控制面的空气动力学形状优化进行了测试。新的优化器使用强化学习和转移学习来提高性能和效率，然而飞行器机翼的设计仅限于连续范围内的单一形状，在飞行器形状设计的早期阶段往往会陷入局部最优。
因此，本发明考虑采用基于神经网络优化框架的方法来解决上述问题。
发明内容
提供了本发明以解决现有技术中存在的上述问题。因此，需要一种基于神经网络的飞行器气动外形优化方法、装置及介质，以解决轴对称飞行器气动外形设计的难题。
根据本发明的第一方案，提供了一种基于神经网络的飞行器气动外形优化方法，所述方法包括：
步骤S100：基于现有飞行器外形数据库，通过WGAN-div模型构建飞行器外形数据库；
步骤S200：训练卷积神经网络以完成飞行器外形设计到外形参数的转换；
步骤S300：训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据，所述MMoE-3D模型的输出由两组模型构成，分别代表亚声速模型和超声速模型；
步骤S400：初始化DE算法的种群生成第一种群；
步骤S500：将生成的第一种群输入WGAN-div模型的生成器，获得飞行器外形设计；
步骤S600：通过卷积神经网络将飞行器外形设计转换为外形参数；
步骤S700：将飞行器外形参数、坐标信息和飞行条件输入MMoE-3D模型，并通过所述MMoE-3D模型计算优化的目标值；
步骤S800：种群变异生成新的种群；
步骤S900：重复步骤S500-S800，输出优化的飞行器外形，并验证所述优化的飞行器外形是否满足要求，在不满足要求的情况下，返回步骤S300并扩充训练数据集以调整所述MMoE-3D模型。
根据本发明的第二方案，提供了一种基于神经网络的飞行器气动外形优化装置，所述装置包括处理器，所述处理器被配置为：
基于现有飞行器外形数据库，通过WGAN-div模型构建飞行器外形数据库；
训练卷积神经网络以完成飞行器外形设计到外形参数的转换；
训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据，所述MMoE-3D模型的输出由两组模型构成，分别代表亚声速模型和超声速模型；
初始化DE算法的种群生成第一种群；
将生成的第一种群输入WGAN-div模型的生成器，获得飞行器外形设计；
通过卷积神经网络将飞行器外形设计转换为外形参数；
将飞行器外形参数、坐标信息和飞行条件输入MMoE-3D模型，并通过所述MMoE-3D模型计算优化的目标值；
种群变异生成新的种群；
将新的种群作为WGAN-div模型的生成器的输入，输出优化的飞行器外形，并验证所述优化的飞行器外形是否满足要求，在不满足要求的情况下，扩充训练数据集以调整所述MMoE-3D模型。
根据本发明的第三方案，提供了一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据本发明各个实施例所述的方法。
根据本发明各个方案的基于神经网络的飞行器气动外形优化方法、装置及介质，通过WGAN-div模型学习现有的飞行器形状特征，并使用潜在变量来稳定地生成多样化的设计，通过卷积神经网络对生成的飞行器形状进行智能参数化，通过MMoE-3D模型的训练多任务学习，以实现对飞行条件下马赫数(0.4-0.8,1.2-1.6)和滚动角(2°-90°)的轴向力CA、法向力CN、俯仰力矩Cm和压力中心Xcp的快速预测。最后，这三个部分被整合，并使用差分进化算法(DE)来完成飞行器形状的优化设计，有效地解决了飞行器气动外形优化慢的问题。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了根据本发明实施例的一种基于神经网络的飞行器气动外形优化方法的流程图。
图2(A)示出了亚声速下优化前后飞行器外形对比图。
图2(B)示出了亚声速下优化前后升阻比对比图。
图2(C)示出了亚声速下优化前后压心变化率对比图。
图3(A)示出了超声速下优化前后飞行器外形对比图。
图3(B)示出了超声速下优化前后升阻比对比图。
图3(C)示出了超声速下优化前后压心变化率对比图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述，但不作为对本发明的限定。本文中所描述的各个步骤，如果彼此之间没有前后关系的必要性，则本文中作为示例对其进行描述的次序不应视为限制，本领域技术人员应知道可以对其进行顺序调整，只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
图1示出了根据本发明实施例的一种基于神经网络的飞行器气动外形优化方法的流程图。本发明实施例提供一种基于神经网络的飞行器气动外形优化方法。如图1所示，所述方法始于步骤S100，基于现有飞行器外形数据库，通过WGAN-div模型构建飞行器外形数据库。本文中所述的“WGAN-div模型”全称为Wasserstein GAN-div模型，代表的是一种深度学习模型。
在一些实施例中，通过WGAN-div模型利用如下公式(1)和公式(2)构建飞行器外形数据库：
G＝g(z，θ) 公式(1)
z～N(0，1)，z∈(-3，3) 公式(2)
其中，G代表WGAN-div模型的飞行器外形生成器，z代表截断正态分布的潜在向量，θ代表所述飞行器外形生成器中的超参数。
步骤S200中，训练卷积神经网络(CNN)以完成飞行器外形设计到外形参数的转换。
在一些实施例中，通过如下公式(3)训练卷积神经网络以完成飞行器外形设计到外形参数的转换：
Figure BDA0003576110950000051
其中，C代表飞行器外形设计和外形参数之间的关系，ε代表卷积神经网络参数。
步骤S300中，训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据，所述MMoE-3D模型的输出由两组模型构成(Msub and Msup)，分别代表亚声速模型(Ma＝[0.4,0.6,0.8])和超声速模型(Ma＝[1.2,1.4,1.6])。需要说明的是，本文所述的“MMoE-3D模型”是一种多任务学习模型。
在一些实施例中，通过如下公式(4)训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据：
Figure BDA0003576110950000052
其中，M代表气动数据和飞行器外形的潜在非线性关系，
Figure BDA0003576110950000053
代表M的预测值,a代表坐标信息，c代表飞行条件，∈代表卷积神经网络参数。
步骤S400中，初始化DE算法的种群生成第一种群。DE算法是一种差分进化算法。
步骤S500中，将生成的第一种群输入WGAN-div模型的生成器，获得飞行器外形设计。
步骤S600中，通过卷积神经网络将飞行器外形设计转换为外形参数；
步骤S700中，将飞行器外形参数、坐标信息和飞行条件输入MMoE-3D模型，并通过所述MMoE-3D模型计算优化的目标值；
步骤S800中，种群变异生成新的种群；
最后在步骤S900中，重复步骤S500-S800，输出优化的飞行器外形，并验证所述优化的飞行器外形是否满足要求，在不满足要求的情况下，返回步骤S300并扩充训练数据集以调整所述MMoE-3D模型。需要注意的是，重复步骤S500-S800具体是将新的种群作为WGAN-div模型的生成器的新输入，再次执行步骤S500-S800，重复步骤S500-S800的次数根据DE的进化次数来确定，例如可以是50次、100次、150次等等。本发明实施例对此不作具体限制。
在一些实施例中，通过如下公式(5)验证所述优化的飞行器外形是否满足要求：
Figure BDA0003576110950000061
Figure BDA0003576110950000062
其中，F是优化的目标函数，C代表飞行器外形设计和外形参数之间的关系，z代表截断正态分布的潜在向量，θ代表所述飞行器外形生成器中的超参数，s.t.全称subjectto，意思是使得...满足...。
下面本发明实施例将以一个设计案例来说明本发明实施例所提供的方法的有效性和进步性。
以优化在45°滚角下压力中心的变化率和升阻比(由轴向和法向力计算)作为一个设计案例，则优化的目标函数F表示为：
Figure BDA0003576110950000063
其中，w1是升力与阻力值的权重，设置为2/7，w2是阻力项的权重，设置为1/7，w3是与压力中心变化率函数的相关权重，设置为4/7。对于升阻比和阻力，在所研究的马赫数范围内，数值的总和被加起来并取平均值。对于压力中心的变化率，它是随马赫数的变化率和随攻角的变化率之和。设计案例是在亚音速和超音速下进行的，优化问题如表1所示。
表1.飞行器优化问题
函数或变量 描述
优化 F 最大化F
变量 z 潜在变量
约束 -3＜z＜3 潜在变量的约束
条件 α 攻角
Φ 滚转角
Ma 马赫数
在Φ＝45°的飞行条件下对飞行器的形状进行优化。优化对比实验中使用的形状约束方法是WGAN-div+CNN。基线外形的优化目标值为2.31。DE的进化次数为100，种群数量为100。图2(A)显示了优化前后亚声速下的导弹空气动力学形状。飞行器通过DATCOM和MMoE-3D分别进行了优化，从图2(B)和图2(C)中可以看到两者都将前翼位置前移并增加面积，而尾翼几乎没有变化。特别是用MMoE-3D模型优化后，前翼弦长增加更明显，使升阻比上升，但压力中心随马赫数变化率稍大。采用DATCOM优化方法的时间为21590s，优化后的综合性能为4.355。而采用MMoE-3D的优化方法明显缩短了时间仅为2256s，且优化后的飞行器综合性能为4.226。
超音速的实验设置与亚音速的实验设置是一致的。基线外形的优化目标值为1.887。图3(A)显示了优化前后飞行器形状的比较。DATCOM和MMoE-3D模型的优化趋势是一致的。优化后，前翼位置后移，优化为矩形翼，尾部面积减小为三角翼。从图3(B)和图3(C)中可以看出，与基线相比，两种优化方法优化出的飞行器压力中心变化率都明显降低，而DATCOM优化后的导弹升阻比更大。DATCOM优化后的综合性能为2.575，MMoE-3D优化后的综合性能为2.565，两者优化能力几乎相同。在优化速度上，相比亚声速优化用MMoE-3D模型进行的超音速优化需要更多的时为4152s，但仍比用DATCOM所需的21590s时间短。
实验结果表明，该框架能较快地获得优化设计方案，且性能与传统优化方法相同，可为飞行器气动外形的优化设计提供一定的参考和指导。
本发明实施例还提供了一种基于神经网络的飞行器气动外形优化装置，所述装置包括处理器，所述处理器被配置为：基于现有飞行器外形数据库，通过WGAN-div模型构建飞行器外形数据库；训练卷积神经网络以完成飞行器外形设计到外形参数的转换；训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据，所述MMoE-3D模型的输出由两组模型构成，分别代表亚声速模型和超声速模型；初始化DE算法的种群生成第一种群；将生成的第一种群输入WGAN-div模型的生成器，获得飞行器外形设计；通过卷积神经网络将飞行器外形设计转换为外形参数；将飞行器外形参数、坐标信息和飞行条件输入MMoE-3D模型，并通过所述MMoE-3D模型计算优化的目标值；种群变异生成新的种群；将新的种群作为WGAN-div模型的生成器的输入，输出优化的飞行器外形，并验证所述优化的飞行器外形是否满足要求，在不满足要求的情况下，扩充训练数据集以调整所述MMoE-3D模型。
需要说明的是，处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。处理器还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。
处理器可以通信地耦合到存储器并且被配置为执行存储在其上的计算机可执行指令，以执行根据本发明各个实施例的基于神经网络的飞行器气动外形优化方法。
在一些实施例中，所述处理器被进一步配置为所述基于现有飞行器外形数据库，通过WGAN-div模型利用如下公式(1)和公式(2)构建飞行器外形数据库：
G＝g(z，θ) 公式(1)
z～N(0，1)，z∈(-3，3) 公式(2)
其中，G代表WGAN-div模型的飞行器外形生成器，z代表截断正态分布的潜在向量，θ代表所述飞行器外形生成器中的超参数。
在一些实施例中，所述处理器被进一步配置为通过如下公式(3)训练卷积神经网络以完成飞行器外形设计到外形参数的转换：
Figure BDA0003576110950000081
其中，C代表飞行器外形设计和外形参数之间的关系，ε代表卷积神经网络参数。
在一些实施例中，所述处理器被进一步配置为通过如下公式(4)训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据：
Figure BDA0003576110950000082
其中，M代表气动数据和飞行器外形的潜在非线性关系，
Figure BDA0003576110950000083
代表M的预测值,a代表坐标信息，c代表飞行条件，∈代表卷积神经网络参数。
在一些实施例中，所述处理器被进一步配置为通过如下公式(5)验证所述优化的飞行器外形是否满足要求：
Figure BDA0003576110950000084
Figure BDA0003576110950000085
其中，F是优化的目标函数，C代表飞行器外形设计和外形参数之间的关系，z代表截断正态分布的潜在向量，θ代表所述飞行器外形生成器中的超参数。
在一些实施例中，所述优化的目标函数F表示为：
Figure BDA0003576110950000091
其中，w1是升力与阻力值的权重，设置为2/7，w2是阻力项的权重，设置为1/7，w3是与压力中心变化率函数的相关权重，设置为4/7。
本发明各个实施例所述的基于神经网络的飞行器气动外形优化装置在效果上和方法一致，在此不累述。
本发明实施例还提供了一种存储有指令的非暂时性计算机可读介质，当指令由处理器执行时，执行根据本发明任一实施例所述的方法。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本发明的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的发明的特征对于任一权利要求是必要的意图。相反，本发明的主题可以少于特定的发明的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

Claims (10)

1.一种基于神经网络的飞行器气动外形优化方法，其特征在于，所述方法包括：
步骤S100：基于现有飞行器外形数据库，通过WGAN-div模型构建飞行器外形数据库；
步骤S200：训练卷积神经网络以完成飞行器外形设计到外形参数的转换；
步骤S300：训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据，所述MMoE-3D模型的输出由两组模型构成，分别代表亚声速模型和超声速模型；
步骤S400：初始化DE算法的种群生成第一种群；
步骤S500：将生成的第一种群输入WGAN-div模型的生成器，获得飞行器外形设计；
步骤S600：通过卷积神经网络将飞行器外形设计转换为外形参数；
步骤S700：将飞行器外形参数、坐标信息和飞行条件输入MMoE-3D模型，并通过所述MMoE-3D模型计算优化的目标值；
步骤S800：种群变异生成新的种群；
步骤S900：重复步骤S500-S800，输出优化的飞行器外形，并验证所述优化的飞行器外形是否满足要求，在不满足要求的情况下，返回步骤S300并扩充训练数据集以调整所述MMoE-3D模型。
2.根据权利要求1所述的方法，其特征在于，所述基于现有飞行器外形数据库，通过WGAN-div模型利用如下公式(1)和公式(2)构建飞行器外形数据库：
G＝g(z，θ) 公式(1)
z～N(0，1)，z∈(-3，3) 公式(2)
其中，G代表WGAN-div模型的飞行器外形生成器，z代表截断正态分布的潜在向量，θ代表所述飞行器外形生成器中的超参数。
3.根据权利要求1所述的方法，其特征在于，通过如下公式(3)训练卷积神经网络以完成飞行器外形设计到外形参数的转换：
Figure FDA0003576110940000011
其中，C代表飞行器外形设计和外形参数之间的关系，ε代表卷积神经网络参数。
4.根据权利要求1所述的方法，其特征在于，通过如下公式(4)训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据：
Figure FDA0003576110940000021
其中，M代表气动数据和飞行器外形的潜在非线性关系，
Figure FDA0003576110940000022
代表M的预测值,a代表坐标信息，c代表飞行条件，∈代表卷积神经网络参数。
5.根据权利要求1-4任一项所述的方法，其特征在于，通过如下公式(5)验证所述优化的飞行器外形是否满足要求：
Figure FDA0003576110940000023
Figure FDA0003576110940000024
其中，F是优化的目标函数，C代表飞行器外形设计和外形参数之间的关系，z代表截断正态分布的潜在向量，θ代表所述飞行器外形生成器中的超参数。
6.根据权利要求5所述的方法，其特征在于，所述优化的目标函数F表示为：
Figure FDA0003576110940000025
其中，w1是升力与阻力值的权重，设置为2/7，w2是阻力项的权重，设置为1/7，w3是与压力中心变化率函数的相关权重，设置为4/7。
7.一种基于神经网络的飞行器气动外形优化装置，其特征在于，所述装置包括处理器，所述处理器被配置为：
基于现有飞行器外形数据库，通过WGAN-div模型构建飞行器外形数据库；
训练卷积神经网络以完成飞行器外形设计到外形参数的转换；
训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据，所述MMoE-3D模型的输出由两组模型构成，分别代表亚声速模型和超声速模型；
初始化DE算法的种群生成第一种群；
将生成的第一种群输入WGAN-div模型的生成器，获得飞行器外形设计；
通过卷积神经网络将飞行器外形设计转换为外形参数；
将飞行器外形参数、坐标信息和飞行条件输入MMoE-3D模型，并通过所述MMoE-3D模型计算优化的目标值；
种群变异生成新的种群；
将新的种群作为WGAN-div模型的生成器的输入，输出优化的飞行器外形，并验证所述优化的飞行器外形是否满足要求，在不满足要求的情况下，扩充训练数据集以调整所述MMoE-3D模型。
8.根据权利要求7所述的装置，其特征在于，所述处理器被进一步配置为所述基于现有飞行器外形数据库，通过WGAN-div模型利用如下公式(1)和公式(2)构建飞行器外形数据库：
G＝g(z，θ) 公式(1)
z～N(0，1)，z∈(-3，3) 公式(2)
其中，G代表WGAN-div模型的飞行器外形生成器，z代表截断正态分布的潜在向量，θ代表所述飞行器外形生成器中的超参数。
9.根据权利要求7所述的装置，其特征在于，所述处理器被进一步配置为通过如下公式(3)训练卷积神经网络以完成飞行器外形设计到外形参数的转换：
Figure FDA0003576110940000031
其中，C代表飞行器外形设计和外形参数之间的关系，ε代表卷积神经网络参数。
10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至6中任一项所述的方法。
CN202210344429.7A 2022-03-31 2022-03-31 基于神经网络的飞行器气动外形优化方法、装置及介质 Pending CN114676639A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210344429.7A CN114676639A (zh) 2022-03-31 2022-03-31 基于神经网络的飞行器气动外形优化方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210344429.7A CN114676639A (zh) 2022-03-31 2022-03-31 基于神经网络的飞行器气动外形优化方法、装置及介质

Publications (1)

Publication Number Publication Date
CN114676639A true CN114676639A (zh) 2022-06-28

Family

ID=82077165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210344429.7A Pending CN114676639A (zh) 2022-03-31 2022-03-31 基于神经网络的飞行器气动外形优化方法、装置及介质

Country Status (1)

Country Link
CN (1) CN114676639A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628854A (zh) * 2023-05-26 2023-08-22 上海大学 一种翼型气动特性预测方法、系统、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628854A (zh) * 2023-05-26 2023-08-22 上海大学 一种翼型气动特性预测方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Liu et al. Surrogate-based aerodynamic shape optimization of hypersonic flows considering transonic performance
Sun et al. Artificial neural network based inverse design: Airfoils and wings
Kharal et al. Neural networks based airfoil generation for a given Cp using Bezier–PARSEC parameterization
Secco et al. Artificial neural networks to predict aerodynamic coefficients of transport airplanes
CN110162822B (zh) 耦合结构模态的时域快速非定常气动力计算方法
CN110516318B (zh) 基于径向基函数神经网络代理模型的翼型设计方法
Jasa et al. Design and trajectory optimization of a morphing wing aircraft
Pehlivanoglu Efficient accelerators for PSO in an inverse design of multi-element airfoils
He et al. Aerodynamic optimisation of a high-speed train head shape using an advanced hybrid surrogate-based nonlinear model representation method
CN111027250B (zh) 一种基于网格变形技术的异形曲面加筋壳建模方法
Khurana et al. Application of swarm approach and artificial neural networks for airfoil shape optimization
Koreanschi et al. Numerical optimization and experimental testing of a morphing wing with aileron system
Secco et al. Artificial neural networks applied to airplane design
Lim et al. An examination of aerodynamic and structural loads for a rotor blade optimized with multi-objective genetic algorithm
CN114676639A (zh) 基于神经网络的飞行器气动外形优化方法、装置及介质
CN114818477A (zh) 飞行器气动特性预测方法、装置及介质
CN113221237B (zh) 一种基于降阶建模的大迎角颤振分析方法
Jonsson et al. Computational fluid dynamic analysis and shape optimization of trawl-doors
Kitson et al. Modeling and simulation of flexible jet transport aircraft with high-aspect-ratio wings
Sainmont et al. Boundary layer behaviour on a morphing airfoil: Simulation and wind tunnel tests
Xu et al. A study of Nash-EGO algorithm for aerodynamic shape design optimizations
Lulekar et al. Cfd-based analysis and surrogate-based optimization of bio-inspired surface riblets for aerodynamic efficiency
Trad et al. Airfoils generation using neural networks, CST curves and aerodynamic coefficients
Wei et al. Study on a rapid aerodynamic optimization method of flying wing aircraft for conceptual design
CN114139285A (zh) 一种柔性蒙皮机翼低雷诺数流固耦合分析方法

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