CN115310209A - 基于vae的气动形状迁移优化方法及相关装置 - Google Patents
基于vae的气动形状迁移优化方法及相关装置 Download PDFInfo
- Publication number
- CN115310209A CN115310209A CN202211122820.9A CN202211122820A CN115310209A CN 115310209 A CN115310209 A CN 115310209A CN 202211122820 A CN202211122820 A CN 202211122820A CN 115310209 A CN115310209 A CN 115310209A
- Authority
- CN
- China
- Prior art keywords
- vae
- sample
- space
- model
- task
- 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
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
- G06F30/28—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
- 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
Abstract
基于VAE的气动形状迁移优化方法及相关装置,包括:建立目标任务计算流体动力学CFD性能评估模型;准备变分自编码器VAE模型训练数据集,训练得到散点表示设计空间和潜变量参数化空间;得到已完成任务样本对;在VAE潜变量参数化空间中进行采样,得到对应目标任务样本对;建立代理模型;基于代理模型对设计空间寻优;重复寻优过程直到满足算法停止所设定的迭代步数。本方法构建气动形状参数化设计空间,特别是利用VAE模型中的编码器结构,将已完成任务样本编码至目标任务参数化设计空间,从而打破当前绝大多数气动优化设计方法无法智能提取已完成的相关任务有用设计信息的不足。利用co‑kriging多保真度模型构建知识迁移策略,加速目标任务优化的进程。
Description
技术领域
本发明属于气动形状设计优化领域,特别涉及基于VAE的气动形状迁移优化方法及相关装置。
背景技术
飞机翼型、航空发动机叶片等气动形状设计优化一直是国内外设计人员关注的重点问题,如何缩短“满足精细化气动设计要求所需的最少性能评估次数”与“设计任务周期所能容许的最大性能评估次数”之间的差距是相关设计人员无法回避的难题。
受到人类在求解新问题时不断从经验中汲取有用信息的启发,“知识迁移”的理念在人工智能领域被提出,并在计算视觉、自然语言处理等领域获得巨大成功。“知识迁移”的核心思路即让算法学会像人一样总结经验,“智能”的从已完成任务(又称源任务)中提取有用设计信息,以加速目标问题的求解。然而,将知识迁移的理念应用于加速气动形状优化仍面临以下难题:(1)经典的形状参数化方法所构建的参数化设计空间各变量互不兼容,难以将源任务样本编码至目标任务参数化设计空间;(2)在构建源任务和目标任务相统一的参数化设计空间的基础上,仍需研发行之有效的知识迁移策略,以不断汲取源任务有用设计信息,用于促进目标任务的求解。
发明内容
本发明的目的在于提供基于VAE的气动形状迁移优化方法及相关装置,以解决难以将源任务样本编码至目标任务参数化设计空间以及缺少有效的知识迁移策略的问题。
为实现上述目的,本发明采用以下技术方案:
基于VAE的气动形状迁移优化方法,包括:
建立目标任务计算流体动力学CFD性能评估模型;
准备变分自编码器VAE模型训练数据集,进行VAE模型训练,得到散点表示设计空间和潜变量参数化空间;其中VAE模型训练数据集包括未进行CFD性能评估的型线样本数据集和已完成的相关任务优化型线数据集;
以已完成的相关任务优化型线数据集作为输入,通过VAE模型编码器转换得到已完成任务样本在潜变量参数化空间的表达形式,结合已完成任务样本CFD性能评估值,在VAE潜变量参数化空间中,得到已完成任务样本对;
在VAE潜变量参数化空间中进行采样,并进行性能评估,得到对应目标任务样本对;
以目标任务样本对为高保真度样本,以已完成任务样本对为低保真度样本,建立co-kriging多保真度代理模型;基于目标任务样本对,建立kriging代理模型;
基于两个代理模型对设计空间寻优,得到新样本集;对新样本集进行CFD性能评估,并将性能评估后的样本加入到co-kriging和kriging模型训练样本集;重复寻优过程直到满足算法停止所设定的迭代步数。
进一步的,未进行CFD性能评估的型线样本数据集XT中,若存在公开的型线数据集,则直接采用公开的型线数据集作为XT;若不存在公开的型线数据集,则根据优化对象选取典型的参考型线,并结合参数化方法以及拉丁超立方采样技术,生成XT。
进一步的,未进行CFD性能评估的样本数据集XT和已完成任务型线数据集{xS}m将采用统一的散点数据格式进行表示,形成VAE训练样本集X。
进一步的,得到已完成任务样本对:已完成任务型线数据集{xS}m已完成CFD性能评估,对应的,已完成任务型线样本与性能评估值组成样本对{xS,yS}m;利用VAE模型编码器将已完成的相关任务型线样本对{xS,yS}m编码至低维连续的VAE模型潜变量设计空间,对应潜空间已完成任务样本对表示为{zS,yS}m。
进一步的,VAE模型训练中,VAE神经网络模型包括编码器和解码器两个部分,基于VAE模型建立的设计空间包括散点表示设计空间X和潜变量参数化空间Z两个部分,与之对应,散点空间样本用x进行表示;潜变量参数化空间样本用z进行表示;在VAE模型训练完成后,通过VAE编码器,实现散点空间样本x向潜空间样本z的转换;通过VAE解码器,实现潜空间样本z向散点空间样本x的转换。
进一步的,基于拉丁超立方采样技术,在VAE模型潜变量参数空间进行采样。
进一步的,设计空间寻优:联合贝叶斯优化查询函数EI与所建立的co-kriging和kriging代理模型,对设计空间寻优。
进一步的,基于VAE的气动形状迁移优化系统,包括:
性能评估模型建立模块,用于建立目标任务计算流体动力学CFD性能评估模型;
VAE模型训练模块,用于准备变分自编码器VAE模型训练数据集,进行VAE模型训练,得到散点表示设计空间和潜变量参数化空间;其中VAE模型训练数据集包括未进行CFD性能评估的型线样本数据集和已完成的相关任务优化型线数据集;
已完成任务样本对获取模块,用于以已完成的相关任务优化型线数据集作为输入,通过VAE模型编码器转换得到已完成任务样本在潜变量参数化空间的表达形式,结合已完成任务样本CFD性能评估值,在VAE潜变量参数化空间中,得到已完成任务样本对;
目标任务样本对获取模块,用于在VAE潜变量参数化空间中进行采样,并进行性能评估,得到对应目标任务样本对;
代理模型建立模块,用于以目标任务样本对为高保真度样本,以已完成任务样本对为低保真度样本,建立co-kriging多保真度代理模型;基于目标任务样本对,建立kriging代理模型;
迭代模块,用于基于两个代理模型对设计空间寻优,得到新样本集;对新样本集进行CFD性能评估,并将性能评估后的样本加入到co-kriging和kriging模型训练样本集;重复寻优过程直到满足算法停止所设定的迭代步数。
进一步的,一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现基于VAE的气动形状迁移优化方法的步骤。
进一步的,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现基于VAE的气动形状迁移优化方法的步骤。
与现有技术相比,本发明具有以下技术效果:
本方法采用生成式深度学习模型VAE构建气动形状参数化设计空间,特别是利用VAE模型中的编码器结构,将已完成任务样本编码至目标任务参数化设计空间,从而打破当前绝大多数气动优化设计方法无法智能提取已完成的相关任务有用设计信息的不足。进一步,利用co-kriging多保真度模型构建知识迁移策略,本方法可有效利用已完成任务样本中蕴含的有用设计信息,加速目标任务优化的进程。
除利用co-kriging多保真度模型构建知识迁移策略外,本方法基于多平台迁移优化(multi-form transfer optimization)的思想,同时构建co-kriging和kriging两个代理模型开展优化,并在每一个优化迭代步对二者进行样本信息交换,从而能有效克服迁移优化后期可能出现的“负迁移(negative transfer)”问题。
综合以上多个方面的技术创新,本发明所建立的基于VAE的气动形状迁移优化方法可有效提升飞机翼型、航空发动机叶片等气动型线设计的效率及解的最优性,因而具有重要的工程意义和广阔的应用前景。
附图说明
图1为本发明流程框图。
图2为本发明系统结构图。
图3为本发明实施例的迁移优化流程图。
图4为本发明实施例的VAE参数化模型训练原理图。
图5为本发明实施例在不同优化方法下的收敛曲线对比。
具体实施方式
以下结合附图对本发明进一步说明:
参照图3,基于VAE的气动形状迁移优化方法,包括以下步骤:
1.根据飞机翼型、航空发动机叶片等气动形状设计的需求,建立CFD计算模型。
2.基于公开的型线数据集(如UIUC翼型数据集等)生成未进行CFD性能评估的样本数据集XT;若不存在公开的型线数据集,则根据目标优化对象选取典型的参考型线,并结合NURBS、FFD等经典参数化方法与拉丁超立方采样,生成目标任务样本型线数据集XT。
3.搜集已完成的相关任务型线样本{xS}m。由于已完成任务样本型线已完成CFD性能评估,对应型线样本对表示为{xS,yS}m。
4.确立统一的散点数据表达格式,将XT和{xS}m进行整合,建立统一散点格式的VAE模型训练数据集X。
5.基于训练数据集X,对VAE模型进行训练,对应VAE模型原理图可参见图4。需要说明的是,VAE模型潜变量设计空间Z的变量维度dZ可由设计人员根据经验选取,一般dZ取值在3~20之间。
此外,为保证基于VAE模型所建立的设计空间充分包涵已完成任务样本信息,优化迭代时每个小批次训练集内来自原始VAE训练集和迁移源的样本按1:1混合。VAE模型训练的损失函数可表示如下:
minL=λ1MSE+λ2KL
MSE(x)=Ex||x-x'|| (1)
式中,MSE为均方根误差,用于衡量重构样本x'与原样本x之间的差距;KL(·)表示Kullback-Leibler散度,该项作为损失函数正则项,用于保证VAE模型的生成能力。通常取λ1=500,λ2=0.1。
6.利用VAE模型编码器将已完成的相关任务型线样本对{xS,yS}m编码至低维连续的VAE模型潜变量设计空间,对应潜空间已完成任务样本对表示为{zS,yS}m。
7.利用拉丁超立方抽样在VAE模型潜变量参数化设计空间采集样本,并利用所建立的CFD模型进行目标性能评估,得到潜空间目标任务样本对{zT,yT}n。需要说明的是,进行拉丁超立方抽样时,向量z的取值范围取为
10.联合贝叶斯优化查询函数EI与所建立的co-kriging和kriging代理模型,对设计空间寻优。其中,EI函数的表达式如下:
式中,fmin表示当前迭代步最优目标函数值,Φ(·)和φ(·)分别表示高斯累积分布函数和密度分布函数,而新生成的样本集Z(new)可表示如下:
Z(new)={argmaxEIcokriging(z),argmaxEIkriging(z)} (4)
利用前文建立的CFD性能评估模型对Z(new)进行性能评估,并将其加入到kriging和co-kriging训练样本集。
11.重复步骤8到步骤10直到算法收敛。
实施例:
1.迁移优化设计任务的建立
本实例选取跨音速翼型作为研究对象,优化目标为最大化翼型的升阻比CL/CD,优化工况条件为:雷诺数Re=6.5×106,马赫数Ma=0.75,攻角AoA=0°。与此同时,为加速目标任务优化,用于迁移优化的已完成任务为亚音速翼型优化,对应设计优化工况条件为:雷诺数Re=3.5×106,马赫数Ma=0.45,攻角AoA=0°。
为复现设计优化过程中常见的场景,即不同设计人员乃至同一设计人员在求解不同优化任务时,可能采用不同的参数化方法构建设计空间,已完成的亚音速翼型优化样本解集仅提供散点表示的气动型线及其对应优化目标函数值。就本算例而言,已完成的亚音速翼型优化采用生成对抗神经网络模型GAN(Genearative Adversarial Net,简称GAN)构建翼型参数化空间,选取优化性能较优的40个亚音速翼型样本用于跨音速翼型迁移优化,对应型线样本对表示为{xS,CL/CD}40。
2.VAE训练样本数据集构建及模型训练
在构建VAE模型训练数据集X时,未进行CFD性能评估的数据集XT利用公开的UIUC数据集生成;已完成任务样本为亚音速翼型优化得到的性能较优的40个亚音速翼型样本,即{xS,CL/CD}40。为建立统一格式的训练样本集X,XT和已完成任务样本型线{xS}40均采用192个二维散点进行表示,共1500组型线组成训练样本集X。
在对VAE模型进行训练时,VAE潜变量设计空间Z的维度dZ取为10,VAE编码器网络共6层,VAE解码器网络共8层。此外,VAE模型采用Adam优化器进行训练,训练时批量大小(batch size)选为32,总的迭代次数选为2000,初始学习率设置为0.0002,按指数衰减,每2000轮降低为之前的1/10。
3.性能评估模型的建立
采用XFOIL软件对VAE模型解码器生成的二维翼型进行自动化评估,输出结果为翼型的升阻比CL/CD。
4.设计空间属性
由于VAE模型的潜变量设计空间维度dZ取为10,对应开展跨音速翼型优化的设计空间维度为10,优化目标为升阻比CL/CD。
5.迁移优化的具体过程
参考图3,其具体过程如下:
5a.基于XFOIL软件,构建跨音速翼型性能评估模型;
5b.以公开的UIUC数据集作为未进行性能评估的CFD型线数据集XT,加上40组已完成的亚音速优化翼型样本对{xS,CL/CD}40,构建VAE模型训练数据集X;
5c.基于训练数据集X,对VAE模型进行训练,具体设置参数见表1。
5d.利用VAE模型编码器,将40组已完成的亚音速翼型样本{xS,CL/CD}40转换至10维连续的VAE潜变量参数空间,对应潜空间样本对表示为{zS,CL/CD}40;
5f.以目标任务样本对{zT,CL/CD}40作为高保真度样本,已完成任务样本对{zT,CL/CD}40作为低保真度样本,建立co-kriging多保真度代理模型,该模型在潜空间样本点z处的预测函数值表示为
5h.联合EI函数与co-kriging、kriging代理模型进行寻优,获得新样本Z(new)并进行CFD性能评估,并将新样本加入到co-kriging、kriging模型训练数据集;
5i.循环执行步骤5e~5h,直到循环次数达到50,满足优化停止条件并停止优化。
6.优化设计结果与性能比较
针对跨音速翼型进行10次重复优化实验,并将不同气动优化方法得到的结果进行比较,如表1和图5所示。其中,RAE-2822为经典的跨音速翼型,VAE-EGO表示采用传统的EGO算法开展跨音速型线设计优化,VAE-KT表示采用本发明所提出的基于知识迁移的优化方法开展翼型设计。由表1易见,VAE-KT所得到的翼型目标性能最优;而图5优化迭代收敛曲线表明,VAE-KT方法获得与传统方法性能相同的优化解所需性能评估次数仅为传统方法的1/2;而在相同的性能评估次数的情况下本发明得到的最优解性能明显优于传统方法,由此验证了本发明的正确性和有效性。
表1不同优化方法获得翼型气动性能对比
C<sub>L</sub>/C<sub>D</sub> | |
RAE-2822 | 79.55 |
VAE-EGO | 363.22 |
VAE-KT | 377.30 |
本发明在一实施例中,提供一种基于VAE的气动形状迁移优化系统,能够用于实现上述的基于VAE的气动形状迁移优化方法,具体的,该基于VAE的气动形状迁移优化系统包括:
性能评估模型建立模块,用于建立目标任务计算流体动力学CFD性能评估模型;
VAE模型训练模块,用于准备变分自编码器VAE模型训练数据集,进行VAE模型训练,得到散点表示设计空间和潜变量参数化空间;其中VAE模型训练数据集包括未进行CFD性能评估的型线样本数据集和已完成的相关任务优化型线数据集;
已完成任务样本对获取模块,用于以已完成的相关任务优化型线数据集作为输入,通过VAE模型编码器转换得到已完成任务样本在潜变量参数化空间的表达形式,结合已完成任务样本CFD性能评估值,在VAE潜变量参数化空间中,得到已完成任务样本对;
目标任务样本对获取模块,用于在VAE潜变量参数化空间中进行采样,并进行性能评估,得到对应目标任务样本对;
代理模型建立模块,用于以目标任务样本对为高保真度样本,以已完成任务样本对为低保真度样本,建立co-kriging多保真度代理模型;基于目标任务样本对,建立kriging代理模型;
迭代模块,用于基于两个代理模型对设计空间寻优,得到新样本集;对新样本集进行CFD性能评估,并将性能评估后的样本加入到co-kriging和kriging模型训练样本集;重复寻优过程直到满足算法停止所设定的迭代步数。
本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本发明各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
本发明在一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于VAE的气动形状迁移优化方法的操作。
本发明在一个实施例中,还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于VAE的气动形状迁移优化方法的相应步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于VAE的气动形状迁移优化方法,其特征在于,包括:
建立目标任务计算流体动力学CFD性能评估模型;
准备变分自编码器VAE模型训练数据集,进行VAE模型训练,得到散点表示设计空间和潜变量参数化空间;其中VAE模型训练数据集包括未进行CFD性能评估的型线样本数据集和已完成的相关任务优化型线数据集;
以已完成的相关任务优化型线数据集作为输入,通过VAE模型编码器转换得到已完成任务样本在潜变量参数化空间的表达形式,结合已完成任务样本CFD性能评估值,在VAE潜变量参数化空间中,得到已完成任务样本对;
在VAE潜变量参数化空间中进行采样,并进行性能评估,得到对应目标任务样本对;
以目标任务样本对为高保真度样本,以已完成任务样本对为低保真度样本,建立co-kriging多保真度代理模型;基于目标任务样本对,建立kriging代理模型;
基于两个代理模型对设计空间寻优,得到新样本集;对新样本集进行CFD性能评估,并将性能评估后的样本加入到co-kriging和kriging模型训练样本集;重复寻优过程直到满足算法停止所设定的迭代步数。
2.根据权利要求1所述的基于VAE的气动形状迁移优化方法,其特征在于,未进行CFD性能评估的型线样本数据集XT中,若存在公开的型线数据集,则直接采用公开的型线数据集作为XT;若不存在公开的型线数据集,则根据优化对象选取典型的参考型线,并结合参数化方法以及拉丁超立方采样技术,生成XT。
3.根据权利要求2所述的基于VAE的气动形状迁移优化方法,其特征在于,未进行CFD性能评估的样本数据集XT和已完成任务型线数据集{xS}m将采用统一的散点数据格式进行表示,形成VAE训练样本集X。
4.根据权利要求1所述的基于VAE的气动形状迁移优化方法,其特征在于,得到已完成任务样本对:已完成任务型线数据集{xS}m已完成CFD性能评估,对应的,已完成任务型线样本与性能评估值组成样本对{xS,yS}m;利用VAE模型编码器将已完成的相关任务型线样本对{xS,yS}m编码至低维连续的VAE模型潜变量设计空间,对应潜空间已完成任务样本对表示为{zS,yS}m。
5.根据权利要求1所述的基于VAE的气动形状迁移优化方法,其特征在于,VAE模型训练中,VAE神经网络模型包括编码器和解码器两个部分,基于VAE模型建立的设计空间包括散点表示设计空间X和潜变量参数化空间Z两个部分,与之对应,散点空间样本用x进行表示;潜变量参数化空间样本用z进行表示;在VAE模型训练完成后,通过VAE编码器,实现散点空间样本x向潜空间样本z的转换;通过VAE解码器,实现潜空间样本z向散点空间样本x的转换。
6.根据权利要求1所述的基于VAE的气动形状迁移优化方法,其特征在于,基于拉丁超立方采样技术,在VAE模型潜变量参数空间进行采样。
7.根据权利要求1所述的基于VAE的气动形状迁移优化方法,其特征在于,设计空间寻优:联合贝叶斯优化查询函数EI与所建立的co-kriging和kriging代理模型,对设计空间寻优。
8.基于VAE的气动形状迁移优化系统,其特征在于,包括:
性能评估模型建立模块,用于建立目标任务计算流体动力学CFD性能评估模型;
VAE模型训练模块,用于准备变分自编码器VAE模型训练数据集,进行VAE模型训练,得到散点表示设计空间和潜变量参数化空间;其中VAE模型训练数据集包括未进行CFD性能评估的型线样本数据集和已完成的相关任务优化型线数据集;
已完成任务样本对获取模块,用于以已完成的相关任务优化型线数据集作为输入,通过VAE模型编码器转换得到已完成任务样本在潜变量参数化空间的表达形式,结合已完成任务样本CFD性能评估值,在VAE潜变量参数化空间中,得到已完成任务样本对;
目标任务样本对获取模块,用于在VAE潜变量参数化空间中进行采样,并进行性能评估,得到对应目标任务样本对;
代理模型建立模块,用于以目标任务样本对为高保真度样本,以已完成任务样本对为低保真度样本,建立co-kriging多保真度代理模型;基于目标任务样本对,建立kriging代理模型;
迭代模块,用于基于两个代理模型对设计空间寻优,得到新样本集;对新样本集进行CFD性能评估,并将性能评估后的样本加入到co-kriging和kriging模型训练样本集;重复寻优过程直到满足算法停止所设定的迭代步数。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于VAE的气动形状迁移优化方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于VAE的气动形状迁移优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211122820.9A CN115310209A (zh) | 2022-09-15 | 2022-09-15 | 基于vae的气动形状迁移优化方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211122820.9A CN115310209A (zh) | 2022-09-15 | 2022-09-15 | 基于vae的气动形状迁移优化方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310209A true CN115310209A (zh) | 2022-11-08 |
Family
ID=83866419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211122820.9A Pending CN115310209A (zh) | 2022-09-15 | 2022-09-15 | 基于vae的气动形状迁移优化方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310209A (zh) |
Cited By (1)
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 |
-
2022
- 2022-09-15 CN CN202211122820.9A patent/CN115310209A/zh active Pending
Cited By (1)
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 |
---|---|---|
CN110110413B (zh) | 一种基于材料场缩减级数展开的结构拓扑优化方法 | |
JP6784780B2 (ja) | 大規模再生可能エネルギーのデータについて確率モデルを構築する方法 | |
CN113159239B (zh) | 一种量子图卷积神经网络处理图数据的方法 | |
CN105427360B (zh) | 一种动态网格的误差可控cage序列表示算法 | |
CN112132287A (zh) | 一种分布式的量子计算仿真方法和装置 | |
CN113343427B (zh) | 一种基于卷积神经网络的结构拓扑构型预测方法 | |
Yan et al. | Study on deep unsupervised learning optimization algorithm based on cloud computing | |
CN115310209A (zh) | 基于vae的气动形状迁移优化方法及相关装置 | |
CN115688276A (zh) | 一种基于离散伴随方法的飞行器外形自动化优化方法、系统、设备、介质 | |
CN111079326B (zh) | 二维各向异性网格单元度量张量场光滑化方法 | |
CN102692491B (zh) | 基于分阶段禁忌寻优算法的土壤水分特征参数计算方法 | |
CN113159287A (zh) | 一种基于梯度稀疏的分布式深度学习方法 | |
CN115345988A (zh) | 基于顶点重要度的二次误差度量边折叠bim轻量化方法 | |
CN111738435A (zh) | 一种基于移动设备的在线稀疏训练方法及系统 | |
CN114969860A (zh) | 一种六面体非结构网格自动生成方法 | |
CN117454495A (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
CN105893667A (zh) | 一种异构仿真数据的统一集成可视方法 | |
CN115587480A (zh) | 数字化仿真方法以及数字化仿真装置 | |
CN111797991A (zh) | 一种深度网络模型压缩系统、方法及装置 | |
Franceschini et al. | Decentralized approach for efficient simulation of DEVS models | |
US20220138554A1 (en) | Systems and methods utilizing machine learning techniques for training neural networks to generate distributions | |
CN117435308B (zh) | 一种基于并行计算算法的Modelica模型仿真方法及系统 | |
CN114676522B (zh) | 融合gan和迁移学习的气动形状优化设计方法及系统及设备 | |
Yan et al. | Reasonable thickness determination for implicit porous sheet structure using persistent homology | |
CN108121868A (zh) | 一种用于钣金件建模的基于KDtree的空间面域生成方法及系统 |
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 |