CN114692488A - 一种超临界翼型的生成方法、装置、电子设备及存储介质 - Google Patents

一种超临界翼型的生成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114692488A
CN114692488A CN202210251489.4A CN202210251489A CN114692488A CN 114692488 A CN114692488 A CN 114692488A CN 202210251489 A CN202210251489 A CN 202210251489A CN 114692488 A CN114692488 A CN 114692488A
Authority
CN
China
Prior art keywords
airfoil
supercritical
network model
generating
profile
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
CN202210251489.4A
Other languages
English (en)
Inventor
程然
何成
林剑清
张淼
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.)
Southern University of Science and Technology
Original Assignee
Southern University of 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 Southern University of Science and Technology filed Critical Southern University of Science and Technology
Priority to CN202210251489.4A priority Critical patent/CN114692488A/zh
Publication of CN114692488A publication Critical patent/CN114692488A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (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

本发明实施例公开了一种超临界翼型的生成方法、装置、电子设备及存储介质。该方法包括：根据参考翼型获取基础翼型图像、翼型图像对应的CST参数、流场图像，以及与流场图像对应的网格点信息，作为训练样本；确定超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标；通过训练样本与控制条件训练生成条件生成对抗网络模型，获取并优化条件生成对抗网络模型输出的目标超临界翼型。该方法可以缩短翼型设计的周期，减少风洞试验次数，降低研发成本，减少人工依赖性，并提高翼型的平滑性。

Description

一种超临界翼型的生成方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及航空航天技术领域，尤其涉及一种超临界翼型的生成方法、装置、电子设备及存储介质。
背景技术
随着航空航天技术的发展，对飞机的飞行速度与安全要求不断提高。在飞机设计中，发动机的改进是至关重要的，而飞机翼型的优化设计也是必不可少的。超临界翼型是一种为提高临界马赫数而采取的特殊翼型，能够使机翼在接近音速时阻力剧增的现象推迟发生。相对于传统翼型，超临界翼型具有更好的性能，被广泛应用于民用客机、大型运输机以及战斗机中等。
现有技术中常通过反设计法或者基于代理模型的方法设计超临界翼型。其中，反设计法是根据给定符合设计要求的目标压力分布，选择初始基础翼型，通过加入几何扰动获得的翼型，来计算新的压力分布。通过最优化技术最小化新翼型的压力分布与目标压力分布之差，从而优化翼型；如此反复迭代，直到得到的翼型压力分布与目标压力分布的差值最小，收敛于给定的目标压力分布，得到最后的翼型设计方案。基于代理模型的设计方法是根据已有的翼型数据构建代理模型，然后在优化过程中使用加点准则来持续更新代理模型，直到得到满足要求的翼型设计方案。然而，反设计法需要设计者提供目标压力分布，并且设计过程比较依赖专家经验。
基于代理模型的优化设计方法，根据已有的翼型数据构建代理模型，然后在优化过程中使用加点准则来持续更新代理模型，直到得到满足要求的翼型设计方案。然而，该方法的不足之处在于需要大量的迭代次数，每一次迭代所生成的候选翼型需要真实的评估，因此其优化设计过程非常耗时，而且该方法不能完全保证翼型的平滑性。
发明内容
本发明实施例提供了一种超临界翼型的生成方法、装置、电子设备及存储介质，可以缩减翼型设计周期，减少风洞试验次数，减少人工依赖性，降低研发成本，并提高翼型的平滑性。
第一方面，本发明实施例提供了一种超临界翼型的生成方法，该方法包括：
根据参考翼型获取翼型图像、所述翼型图像对应的CST参数、流场图像，以及与所述流场图像对应的网格点信息，作为训练样本；
确定所述超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标；
通过所述训练样本、所述控制条件以及所述优化目标训练生成所述条件生成对抗网络模型，并获取所述条件生成对抗网络模型输出的目标超临界翼型。
第二方面，本发明实施例还提供了一种超临界翼型的生成装置，该装置包括：
训练样本生成模块，用于根据参考翼型获取翼型图像、所述翼型图像对应的CST参数、流场图像，以及与所述流场图像对应的网格点信息，作为训练样本；
条件确定模块，用于确定所述超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标；
目标超临界翼型获取模块，用于通过所述训练样本、所述控制条件以及所述优化目标训练生成所述条件生成对抗网络模型，并获取所述条件生成对抗网络模型输出的目标超临界翼型。
第三方面，本发明实施例还提供了一种电子设备，该设备包括：
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本发明任意实施例所述的一种超临界翼型的生成方法。
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本发明任意实施例的一种超临界翼型的生成方法。
本发明实施例通过根据参考翼型获取翼型图像、翼型图像对应的CST参数、流场图像，以及与流场图像对应的网格点信息，作为训练样本；确定超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标；通过训练样本、控制条件以及优化目标训练生成条件生成对抗网络模型，并获取条件生成对抗网络模型输出的目标超临界翼型，解决了飞机的翼型设计问题，实现了缩短翼型设计的周期，减少风洞试验次数，降低研发成本，减少人工依赖性，并提高翼型的平滑性的效果。
附图说明
图1a是本发明实施例一提供的一种超临界翼型的生成方法的流程图；
图1b是本发明实施例一提供的一种超临界翼型的生成方法的框架图；
图1c是本发明实施例一提供的一种ResNet34网络的结构示意图；
图1d是本发明实施例一提供的一种VGG19网络的结构示意图；
图2a是本发明实施例二提供的一种超临界翼型的生成方法的流程图；
图2b是本发明实施例二提供的一种超临界翼型优化设计流程图；
图3是本发明实施例三提供的一种超临界翼型的生成装置的结构示意图；
图4是本发明实施例四提供的一种电子设备的结构示意图。
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。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。
实施例一
图1a是本发明实施例一提供的一种超临界翼型的生成方法的流程图，本实施例可适用于对现有飞机翼型进行优化，生成新翼型的情况，该方法可以由超临界翼型的生成装置来执行，该装置可以通过软件，和/或硬件的方式实现，装置可以集成在电子设备如计算机中，如图1a所示，该方法具体包括：
步骤110、根据参考翼型获取翼型图像、翼型图像对应的CST参数、流场图像，以及与流场图像对应的网格点信息，作为训练样本。
其中，参考翼型可以作为超临界翼型的设计参考。翼型图像可以是包含飞机翼型的图像，其中飞机翼型可以是超临界翼型。流场图像可以是飞机翼型所在的流场对应的图像。为了提高翼型设计时的平滑性以及合理性，本发明实施例中，可以将大量的翼型图像以及对应的流场图像整体作为训练样本。训练样本的数据规模越大，生成的条件生成对抗网络模型的泛化能力以及准确度越高。为了进一步提高生成的条件生成对抗网络模型的泛化能力以及准确度，可以提升训练样本的质量。
示例性的，可以采用拉丁超立方法对翼型图像进行采样，可以使样本更加随机，更具有代表性，提高训练样本的质量。训练样本的数据量规模可以是5到10万。测试数据集的样本数据量可以是1万。翼型图像可以具有较高的清晰度，例如可以选取100×50像素的翼型图像。
在本发明实施例的一个可选实施方式中，根据参考翼型获取翼型图像、翼型图像对应的类别形状函数变换(Class function/Shape function Transformation，CST)参数、流场图像，以及与流场图像对应的网格点信息，作为训练样本，包括：利用CST参数化方法获得翼型图像的CST参数。
其中，为了进一步提高训练样本的质量，提高翼型设计的平滑性与准确性，可以提取翼型图像中的数据，即将翼型图像数据化，并将对应的数据也作为训练样本的一项内容。翼型图像数据化的方法可以是CST参数化。例如，可以通过CST参数化提取翼型图像中的14个参数，作为训练样本中的一项内容。
为了进一步提高训练样本的质量，提高翼型设计的平滑性与准确性，也可以对流场图像进行处理，可以将流场图像网格化。例如，可以将流程图像划定为300×100的网格。各个网格具有对应的网格点信息。各个网格信息可以作为训练样本中的一项内容。
在本实施例中，可选的一种训练样本为包含14个CST参数化的翼型图像，以及包含网格点信息的流场图像。
在本发明实施例的一个可选实施方式中，网格点信息，包括下述信息：横坐标、纵坐标、流向速度、法向速度以及压强。
步骤120、确定超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标。
其中，为了提高翼型设计的合理性，可以设置超临界翼型的实验条件及性能评价。例如，实验条件及性能评价可以是与超临界翼型设计相关的指标要求。示例性的，实验条件及性能评价可以是马赫数、升力系数或者干扰噪声等。实验条件及性能评价可以分别作为条件生成对抗网络模型的控制条件和优化目标，可以提高翼型的合理性，使设计的翼型满足预期。
在本发明实施例的一个可选实施方式中，确定超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标，包括：确定超临界翼型的马赫数以及升力系数为实验条件及性能评价，并分别作为条件生成对抗网络模型的控制条件和优化目标。
其中，马赫数和升力系数是翼型设计中的关键指标，在本实施例中可以选取超临界翼型的马赫数以及升力系数作为实验条件及性能评价。示例性的，马赫数可以选取为0.85等，可以以此设计状态对翼型进行设计。
步骤130、通过训练样本、控制条件以及优化目标训练生成条件生成对抗网络模型，并获取条件生成对抗网络模型输出的目标超临界翼型。
图1b是本发明实施例一提供的一种超临界翼型的生成方法的框架图，如图1b所示，可以采集数据集如翼型图像和对应的流场图像作为训练样本，并设定实验条件与性能评价作为约束条件，输入至条件生成对抗网络，训练生成可以生成翼型的条件生成对抗网络模型。
其中，条件生成对抗网络模型可以包括生成器以及判别器，可以采用迭代的方式，不断训练生成器以及判别器，直至判别器无法确定生成器生成的翼型是否是真实的，即无法知晓翼型是生成器生成或者训练样本中的翼型时，停止训练，生成条件生成对抗网络模型，并将生成器最后生成的翼型作为目标超临界翼型。
在本发明实施例的一个可选实施方式中，通过训练样本、约束条件以及优化目标训练生成条件生成对抗网络模型，并获取条件生成对抗网络模型输出的目标超临界翼型，包括：通过生成器中的编码器将训练样本映射为特征向量；通过生成器中的解码器完成特征向量到翼型的逆向生成；通过判别器确定解码器生成的翼型与训练样本中的翼型分类；通过目标函数交替训练生成器与判别器，直至判别器无法确定翼型是否是生成器生成时，停止训练，生成条件生成对抗网络模型；获取生成的条件生成对抗网络模型中解码器最终生成的翼型作为目标超临界翼型。
其中，条件生成对抗网络由生成器和判别器两部分组成。生成器由编码器和解码器组成。编码器与解码器是一组对称网络与结构。编码器、解码器以及判别器可以是神经网络。示例性的，在本发明实施例中，编码器可以采用残差网络如ResNet34。编码器可以将输入的训练样本映射成特征变量。特征变量用于获得与性能评价的直观映射关系。
图1c是本发明实施例一提供的一种ResNet34网络的结构示意图。如图1c所示，input表示输入数据，在本实施例中输入数据可以是训练样本中的翼型图像以及流场图像。其中，约束条件如马赫数和升阻比(升力系数)等也可以作为输入，用于指导生成器生成数据。
如图1c所示，“n×n conv，64”表示n×n大小的卷积核，输入通道为64，卷积操作后都使用批归一化和Leaky ReLu激活函数层。pool表示池化层，fc表示全连接层。“/2”表示输出通道为原来通道的一半。
示例性的，在本发明实施例中，解码器可以采用逆ResNet34网络，用于完成特征变量到翼型的逆向生成。其中，Leaky ReLu激活函数层的定义可以是
Figure BDA0003546855820000081
示例性的，在本发明实施例中，判别器可以采用VGG19网络。图1d是本发明实施例一提供的一种VGG19网络的结构示意图。如图1d所示，每个卷积层操作后都可以使用批归一化和Leaky ReLu激活函数层。卷积层用于提取图像的特征，图像可以是训练样本中的翼型图像以及解码器生成的翼型图像。判别器可以根据图像的特征，对生成的翼型与训练样本的翼型进行分类。判别器中的最后一层可以是Sigmoid层，可以用于将输出映射为概率。其中，Sigmoid层可以定义为
Figure BDA0003546855820000082
在本发明实施例中，可以对生成器和判别器的参数进行初始化，通过目标函数，交替训练生成器和判别器，以生成条件生成对抗网络模型。目标函数可以是
Figure BDA0003546855820000083
其中，x为输入数据，在本实施例中，可以是14个CST参数和/或NURBS参数，网格点信息等。y可以是约束条件，在本实施例中，可以是实验条件与性能评价。z为服从数据分布的噪声，具体的，可以是满足训练样本中噪声值的随机噪声。pz(z)为噪声z服从的数据分布。pdata为输入数据x服从的数据分布，具体的，可以是训练样本中14个CST参数和/或NURBS参数，网格点信息等服从的分布。G表示生成器，D表示判别器，
Figure BDA0003546855820000091
表示数学期望。
示例性的，通过目标函数交替训练生成器与判别器的过程可以是：在条件生成对抗网络训练过程中，固定判别器D，通过训练生成器G调整其参数使得log(1-D(G(z|y)|y))的期望最小化；固定生成器G，通过训练判别器D调整其参数使得整体目标函数最大化。该过程是一个相互博弈的过程，直到判别器D无法确定翼型是否是生成器生成时，即最后判别器输出概率为0.5时，停止训练，生成条件生成对抗网络模型。
本发明实施例采用已有的翼型和对应流场信息作为条件生成对抗网络的正向输入，采用实验条件和性能评价作为控制条件和优化目标，通过网络映射提取的中间特征变量，可以实现翼型设计、流场信息、实验条件和性能评价之间的相互映射。获取生成的条件生成对抗网络模型中解码器最终生成的翼型作为目标超临界翼型，可以提高翼型的平滑性。
本实施例的技术方案，通过根据参考翼型获取翼型图像、翼型图像对应的CST参数、流场图像，以及与流场图像对应的网格点信息，作为训练样本；确定超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标；通过训练样本、控制条件以及优化目标训练生成条件生成对抗网络模型，并获取条件生成对抗网络模型输出的目标超临界翼型，解决了飞机的超临界翼型的生成问题，实现了可以缩短翼型设计的周期，减少风洞试验次数，降低研发成本，减少人工依赖性，并提高翼型的平滑性的效果。
实施例二
图2a是本发明实施例二提供的一种超临界翼型的生成方法的流程图。本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图2a所示，该方法包括：
步骤210、利用CST参数化方法获得翼型图像的CST参数。
步骤220、获取与翼型图像对应的包含多个网格的流场图像，其中，流场图像的网格包含网格点信息。
在本发明实施例的一个可选实施方式中，网格点信息，包括下述信息：横坐标、纵坐标、流向速度、法向速度以及压强。
步骤230、将根据参考翼型获取的翼型图像、翼型图像对应的CST参数、流场图像，以及与流场图像对应的网格点信息，作为训练样本。
步骤240、确定超临界翼型的马赫数以及升力系数为实验条件及性能评价，并分别作为条件生成对抗网络模型的控制条件和优化目标。
步骤250、通过生成器中的编码器将训练样本映射为特征向量。
步骤260、为特征向量增加随机扰动，更新特征向量。
其中，在采用扰动性能评价作为控制条件时，可以为特征向量增加随机扰动δ。图2b是本发明实施例二提供的一种超临界翼型优化设计流程图。如图2b所示，可以为编码器提取的特征向量v增加随机扰动δ，更新生成特征向量v′。
步骤270、通过生成器中的解码器完成更新后的特征向量到翼型的逆向生成。
其中，如图2b所示，解码器可以通过网络逆向映射完成特征向量v′到翼型的逆向生成，可以得到生成的翼型的性能参数z′。性能参数z′与原始性能参数z是相对应的，可以是CST参数、以及网格点信息等构成的数组。
步骤280、通过判别器判别生成器生成的翼型与训练样本中的翼型。
步骤290、通过目标函数交替训练生成器与判别器，直至判别器无法确定翼型是否是生成器生成时，停止训练，生成条件生成对抗网络模型。
步骤2100、根据优化目标的性能评价规则，获取生成的条件生成对抗网络模型中生成器最终生成的翼型作为目标超临界翼型。
其中，目标超临界翼型可以是解码器迭代逆向生成的最终翼型。可以获取目标超临界翼型的性能参数z′进行后续的超临界翼型优化。如图2b所示的性能参数z′，可以是目标超临界翼型的性能参数。
步骤2110、计算目标超临界翼型与参考翼型中翼型图像的差异值；如果差异值大于设定阈值，执行步骤2120；否则，执行步骤2130。
其中，目标超临界翼型与训练样本中翼型图像的差异值可以是通过计算两者性能参数的差异确定的。如图2b所示，可以计算由原始性能参数z(训练样本中翼型图像的性能参数)到生成的性能参数z′(目标超临界翼型的性能参数)的性能改变差异值。示例性的，可以通过余弦相似度计算性能参数z′与原始性能参数z的差异值。差异值的计算公式可以是：
Figure BDA0003546855820000111
如果差异值大于设定阈值如0.8，说明性能参数z′与原始性能参数z差异大，生成的目标超临界翼型与训练样本中的真实翼型差异大，目标超临界翼型可能合理性欠佳，需要进行优化。如果差异值不大于设定阈值，说明性能参数z′与原始性能参数z差异不大，生成的目标超临界翼型与训练样本中的真实翼型差异不大，目标超临界翼型具有较佳的合理性，无需进行优化。
步骤2120、修正随机扰动，并更新特征向量，通过生成器中的解码器完成更新后的特征向量到翼型的逆向生成；返回步骤280。
其中，对目标超临界翼型的优化可以是先修正随机扰动δ，根据修正后的随机扰动更新特征向量v′。随机扰动修正的方式可以是多种。如图2b所示，一种示例性的方式可以是通过公式
Figure BDA0003546855820000121
进行修正。根据更新后的特征向量，可以通过解码器的网络逆向映射生成翼型。可以将生成的翼型直接作为新的目标超临界翼型进行差异值的计算，即可以返回步骤2110；或者，也可以返回步骤280，重新训练生成目标超临界翼型进行差异值的计算。
步骤2130、将目标超临界翼型作为超临界翼型的生成结果。
其中，目标超临界翼型无需优化时，可以直接作为超临界翼型的生成结果，可以提高超临界翼型生成的合理性，避免生成的超临界翼型无法在实际中应用。本发明实施例的技术方案区别于现有技术的随机噪声扰动以及固定补偿扰动方式，采用自适应的扰动调整策略对给定的随机扰动进行调整，可以得到更合理的翼型。在本实施例中，增加随机扰动可以生成新的超临界翼型，而扰动的修正，可以提高生成的新超临界翼型的合理性，提高生成的新超临界翼型的实际应用性能。
本实施例的技术方案，通过获取各翼型图像的CST参数；获取与翼型图像对应的包含多个网格的流场图像，其中，流场图像的网格包含网格点信息；将各翼型图像、对应的流场图像、CST参数、以及网格点信息，作为训练样本；确定超临界翼型的马赫数以及升力系数为实验条件及性能评价，并分别作为条件生成对抗网络模型的控制条件和优化目标；通过生成器中的编码器将训练样本映射为特征向量；为特征向量增加随机扰动，更新特征向量；通过生成器中的解码器完成更新后的特征向量到翼型的逆向生成；通过判别器判别生成器生成的翼型与训练样本中的翼型；通过目标函数交替训练生成器与判别器，直至判别器无法确定翼型是否是生成器生成时，停止训练，生成条件生成对抗网络模型；根据优化目标的性能评价规则，获取生成的条件生成对抗网络模型中生成器最终生成的翼型作为目标超临界翼型；计算目标超临界翼型与参考翼型中翼型图像的差异值；如果差异值大于设定阈值，修正随机扰动，并更新特征向量，通过生成器中的解码器完成更新后的特征向量到翼型的逆向生成；否则，将目标超临界翼型作为超临界翼型的生成结果，解决了飞机的超临界翼型的生成问题，可以缩短翼型设计的周期，减少风洞试验次数，降低研发成本，减少人工依赖性，并提高翼型的平滑性；还通过约束一体化以及建模参数化为翼型设计的优化提供数据支持，提高翼型优化的自动化程度，并提高翼型设计的效率以及质量。
实施例三
图3是本发明实施例三提供的一种超临界翼型的生成装置的结构示意图。结合图3，该装置包括：训练样本生成模块310，条件确定模块320和目标超临界翼型获取模块330。其中：
训练样本生成模块310，用于根据参考翼型获取翼型图像、翼型图像对应的类别形状函数变换CST参数、流场图像，以及与流场图像对应的网格点信息，作为训练样本；
条件确定模块320，用于确定超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标；
目标超临界翼型获取模块330，用于通过训练样本、控制条件以及优化目标训练生成条件生成对抗网络模型，并获取条件生成对抗网络模型输出的目标超临界翼型。
可选的，训练样本生成模块310包括：
参数获取单元，用于利用CST参数化方法获得翼型图像的CST参数。
可选的，网格点信息，包括下述信息：横坐标、纵坐标、流向速度、法向速度以及压强。
可选的，条件确定模块320包括：
约束条件确定单元，用于确定超临界翼型的马赫数以及升力系数为实验条件及性能评价，并分别作为条件生成对抗网络模型的控制条件和优化目标。
可选的，目标超临界翼型获取模块330包括：
特征向量映射单元，用于通过生成器中的编码器将训练样本映射为特征向量；
翼型逆向生成单元，用于通过生成器中的解码器完成特征向量到翼型的逆向生成；
翼型分类单元，用于通过判别器判别生成器生成的翼型与训练样本中的翼型分类；
条件生成对抗网络模型生成单元，用于通过目标函数交替训练生成器与判别器，直至判别器无法确定翼型是否是生成器生成时，停止训练，生成条件生成对抗网络模型；
目标超临界翼型获取单元，用于获取生成的条件生成对抗网络模型中解码器最终生成的翼型作为目标超临界翼型。
可选的，该装置还包括：
随机扰动增加模块，用于在通过生成器中的解码器完成特征向量到翼型的逆向生成之前，为特征向量增加随机扰动，更新特征向量；
翼型逆向生成单元，具体用于：
通过生成器中的解码器完成更新后的特征向量到翼型的逆向生成。
可选的，该装置，还包括：
差异值计算模块，用于在获取条件生成对抗网络模型输出的目标超临界翼型之后，计算目标超临界翼型与参考翼型中翼型图像的差异值；
随机扰动修正模块，用于如果差异值大于设定阈值，修正随机扰动，并更新特征向量，通过生成器中的解码器完成更新后的特征向量到翼型的逆向生成；
超临界翼型生成模块，用于如果差异值不大于设定阈值，将目标超临界翼型作为超临界翼型的生成结果。
本发明实施例所提供的超临界翼型的生成装置可执行本发明任意实施例所提供的超临界翼型的生成方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四提供的一种电子设备的结构示意图，如图4所示，该设备包括：
一个或多个处理器410，图4中以一个处理器410为例；
存储器420；
所述设备还可以包括：输入装置430和输出装置440。
所述设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图4中以通过总线连接为例。
存储器420作为一种非暂态计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种超临界翼型的生成方法对应的程序指令/模块(例如，附图3所示的训练样本生成模块310，条件确定模块320和目标超临界翼型获取模块330)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行计算机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的一种超临界翼型的生成方法，即：
根据参考翼型获取翼型图像、所述翼型图像对应的CST参数、流场图像，以及与所述流场图像对应的网格点信息，作为训练样本；
确定所述超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标；
通过所述训练样本、所述控制条件以及所述优化目标训练生成所述条件生成对抗网络模型，并获取所述条件生成对抗网络模型输出的目标超临界翼型。
存储器420可以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、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非暂态性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中，存储器420可选包括相对于处理器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终端设备。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。
输入装置430可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五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本发明实施例提供的一种超临界翼型的生成方法：
根据参考翼型获取翼型图像、所述翼型图像对应的CST参数、流场图像，以及与所述流场图像对应的网格点信息，作为训练样本；
确定所述超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标；
通过所述训练样本、所述控制条件以及所述优化目标训练生成所述条件生成对抗网络模型，并获取所述条件生成对抗网络模型输出的目标超临界翼型。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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 (10)

1.一种超临界翼型的生成方法，其特征在于，所述方法包括：
根据参考翼型获取翼型图像、所述翼型图像对应的类别形状函数变换CST参数、流场图像，以及与所述流场图像对应的网格点信息，作为训练样本；
确定所述超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标；
通过所述训练样本、所述控制条件以及所述优化目标训练生成所述条件生成对抗网络模型，并获取所述条件生成对抗网络模型输出的目标超临界翼型。
2.根据权利要求1所述的方法，其特征在于，根据参考翼型获取翼型图像、所述翼型图像对应的CST参数、流场图像，以及与所述流场图像对应的网格点信息，作为训练样本，包括：
利用CST参数化方法获得所述翼型图像的CST参数。
3.根据权利要求1所述的方法，其特征在于，所述网格点信息，包括下述信息：横坐标、纵坐标、流向速度、法向速度以及压强。
4.根据权利要求1所述的方法，其特征在于，确定所述超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标，包括：
确定所述超临界翼型的马赫数以及升力系数为实验条件及性能评价，并分别作为所述条件生成对抗网络模型的控制条件和优化目标。
5.根据权利要求1所述的方法，其特征在于，通过所述训练样本与所述控制条件以及所述优化目标训练生成所述条件生成对抗网络模型，并获取所述条件生成对抗网络模型输出的目标超临界翼型，包括：
通过生成器中的编码器将所述训练样本映射为特征向量；
通过生成器中的解码器完成特征向量到翼型的逆向生成；
通过判别器判别生成器生成的翼型与训练样本中的翼型；
通过目标函数交替训练生成器与判别器，直至所述判别器无法确定翼型是否是生成器生成时，停止训练，生成所述条件生成对抗网络模型；
根据优化目标的性能评价规则，获取生成的所述条件生成对抗网络模型中生成器最终生成的翼型作为目标超临界翼型。
6.根据权利要求5所述的方法，其特征在于，在通过生成器中的解码器完成特征变量到翼型的逆向生成之前，还包括：
为所述特征变量增加随机扰动，更新特征向量；
通过生成器中的解码器完成特征向量到翼型的逆向生成，包括：
通过生成器中的解码器完成更新后的特征向量到翼型的逆向生成。
7.根据权利要求6所述的方法，其特征在于，在获取所述条件生成对抗网络模型输出的目标超临界翼型之后，还包括：
计算目标超临界翼型与所述参考翼型中翼型图像的差异值；
如果所述差异值大于设定阈值，修正所述随机扰动，并更新特征变量，通过生成器中的解码器完成更新后的特征变量到翼型的逆向生成；
否则，将所述目标超临界翼型作为超临界翼型的生成结果。
8.一种超临界翼型的生成装置，其特征在于，包括：
训练样本生成模块，用于根据参考翼型获取翼型图像、所述翼型图像对应的类别形状函数变换CST参数、流场图像以及与所述流场图像对应的网格点信息，作为训练样本；
条件确定模块，用于确定所述超临界翼型的实验条件及性能评价，分别作为条件生成对抗网络模型的控制条件和优化目标；
目标超临界翼型获取模块，用于通过所述训练样本、所述控制条件以及所述优化目标训练生成所述条件生成对抗网络模型，并获取所述条件生成对抗网络模型输出的目标超临界翼型。
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任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的方法。
CN202210251489.4A 2022-03-15 2022-03-15 一种超临界翼型的生成方法、装置、电子设备及存储介质 Pending CN114692488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210251489.4A CN114692488A (zh) 2022-03-15 2022-03-15 一种超临界翼型的生成方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210251489.4A CN114692488A (zh) 2022-03-15 2022-03-15 一种超临界翼型的生成方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114692488A true CN114692488A (zh) 2022-07-01

Family

ID=82138456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210251489.4A Pending CN114692488A (zh) 2022-03-15 2022-03-15 一种超临界翼型的生成方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114692488A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423053A (zh) * 2022-11-07 2022-12-02 中国空气动力研究与发展中心计算空气动力研究所 适用于翼型切面的非结构流场数据的分类方法及相关设备
CN115438575A (zh) * 2022-08-18 2022-12-06 南京航空航天大学 一种用于高精度翼型流场预测的分析方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438575A (zh) * 2022-08-18 2022-12-06 南京航空航天大学 一种用于高精度翼型流场预测的分析方法
CN115423053A (zh) * 2022-11-07 2022-12-02 中国空气动力研究与发展中心计算空气动力研究所 适用于翼型切面的非结构流场数据的分类方法及相关设备
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
JP7462623B2 (ja) 活性スパース化を用いたニューラルネットワーク加速・埋め込み圧縮システム及び方法
CN114692488A (zh) 一种超临界翼型的生成方法、装置、电子设备及存储介质
CN111414987B (zh) 神经网络的训练方法、训练装置和电子设备
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
Cong et al. Image segmentation algorithm based on superpixel clustering
KR102655950B1 (ko) 뉴럴 네트워크의 고속 처리 방법 및 그 방법을 이용한 장치
Zhang et al. Shape optimization for blended-wing–body underwater glider using an advanced multi-surrogate-based high-dimensional model representation method
CN110991284B (zh) 一种基于场景预分类的光学遥感图像语句描述生成方法
CN117540664B (zh) 一种基于图神经网络的二维流场预测与修正方法
CN118295029B (zh) 融合自注意力与Mamba架构的地震数据去噪方法
Peng et al. Multi-fidelity nonlinear unsteady aerodynamic modeling and uncertainty estimation based on Hierarchical Kriging
CN114757347A (zh) 低比特量化神经网络加速器实现方法和系统
CN114004152B (zh) 基于图卷积和循环神经网络的多风场风速时空预测方法
CN117910128A (zh) 基于深度算子网络的翼型设计方法及装置
CN117195402A (zh) 一种基于卷积神经网络的飞翼式无人机头波速度预测模型建模方法
CN115599918B (zh) 一种基于图增强的互学习文本分类方法及系统
CN115438575B (zh) 一种用于高精度翼型流场预测的分析方法
Guofeng et al. Adaptive morphological contrast enhancement based on quantum genetic algorithm for point target detection
CN116721327A (zh) 一种基于泛化界的神经网络架构搜索方法
Shahan et al. Bayesian networks for set-based collaborative design
Wang et al. Stacked Deep Learning Models for Fast Approximations of Steady-State Navier–Stokes Equations for Low Re Flow
An et al. A convolutional neural network model based on multiscale structural similarity for the prediction of flow fields
CN115222024B (zh) 基于深度特征选择网络的短期光伏发电预测方法和系统
CN114626509B (zh) 一种基于深度学习重构显式模型预测控制方法
CN113627556B (zh) 一种图像分类的实现方法、装置、电子设备和存储介质

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