CN116628836A - 数据驱动的超临界翼型性能预测方法、系统及介质 - Google Patents

数据驱动的超临界翼型性能预测方法、系统及介质 Download PDF

Info

Publication number
CN116628836A
CN116628836A CN202310137102.7A CN202310137102A CN116628836A CN 116628836 A CN116628836 A CN 116628836A CN 202310137102 A CN202310137102 A CN 202310137102A CN 116628836 A CN116628836 A CN 116628836A
Authority
CN
China
Prior art keywords
original
airfoil
data
target
prediction 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.)
Pending
Application number
CN202310137102.7A
Other languages
English (en)
Inventor
程然
王为拓
孙克斌
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.)
Southwest University of Science and Technology
Original Assignee
Southwest 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 Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202310137102.7A priority Critical patent/CN116628836A/zh
Publication of CN116628836A publication Critical patent/CN116628836A/zh
Pending legal-status Critical Current

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • 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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Fluid Mechanics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了数据驱动的超临界翼型性能预测方法、系统及介质，方法包括：获取目标控制点坐标集；输入目标控制点坐标集至性能预测模型，输出得到目标主成分振幅集，目标主成分振幅集用于表示目标翼型的性能数据；性能预测模型包括升力系数预测模型和阻力系数预测模型，升力系数预测模型根据原始翼型数据和原始升力系数曲线训练得到，阻力系数预测模型根据原始翼型数据和原始阻力系数曲线训练得到，目标主成分振幅集包括通过升力系数预测模型预测得到的目标升力主成分振幅集，和通过阻力系数预测模型预测得到的目标阻力主成分振幅集。本发明实施例方法能够解决现有翼型气动性能的计算量大的问题，且能有效提高升力系数、阻力系数预测的精准度。

Description

数据驱动的超临界翼型性能预测方法、系统及介质
技术领域
本发明涉及人工智能技术领域，尤其是涉及数据驱动的超临界翼型性能预测方法、系统及介质。
背景技术
翼型的气动优化设计是飞行器设计中的重要研究内容。气动优化设计是典型的黑箱昂贵优化问题，黑箱体现在其目标函数对于设计变量的映射难以以解析的形式给出，昂贵体现在根据设计变量求目标函数的过程极其耗时。
在现有的翼型设计和优化过程中，从翼型的几何外形到其气动性能的计算往往非常耗时且花费资源。尤其是超临界翼型，由于它的气动性能对其几何外形的高度敏感，所以往往对超临界翼型的流场仿真需要更加庞大的计算量，然后通过后处理等方式提取出翼型的升力系数、阻力系数等，对于一个翼型的气动性能的计算往往需要十几个小时甚至一天。随着人工智能的发展，有研究者通过神经网络生成预测模型进行翼型性能预测，但是对于计算流体力学(CFD)还是精度较低。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种数据驱动的超临界翼型性能预测方法，能够解决现有翼型气动性能的计算量大的问题，且能有效提高升力系数、阻力系数预测的精准度。
本发明还提供了一种数据驱动的超临界翼型性能预测系统以及计算机可读存储介质。
根据本发明的第一方面实施例的数据驱动的超临界翼型性能预测方法，包括以下步骤：
获取目标控制点坐标集；
输入所述目标控制点坐标集至性能预测模型，输出得到目标主成分振幅集，所述目标主成分振幅集用于表示目标翼型的性能数据；所述性能预测模型包括升力系数预测模型和阻力系数预测模型，所述升力系数预测模型根据原始翼型数据和原始升力系数曲线训练得到，所述阻力系数预测模型根据原始翼型数据和原始阻力系数曲线训练得到，所述目标主成分振幅集包括通过所述升力系数预测模型预测得到的目标升力主成分振幅集，和通过所述阻力系数预测模型预测得到的目标阻力主成分振幅集。
根据本发明实施例的数据驱动的超临界翼型性能预测方法，至少具有如下有益效果：
通过输入目标控制点坐标集至性能预测模型，可以通过性能预测模型直接预测得到目标主成分振幅集。采用模型预测的方式计算量小，计算时长短，可以解决现有翼型气动性能的计算量大的问题。得到的目标主成分振幅集是降维后筛选出的变量数较少且为最佳变量集的目标主成分振幅集，可以体现更准确的性能数据。本发明实施例的数据驱动的超临界翼型性能预测方法，能够解决现有翼型气动性能的计算量大的问题，且能有效提高升力系数、阻力系数预测的精准度。
根据本发明的一些实施例，所述升力系数预测模型由以下步骤得到：
获取多个所述原始翼型数据，以及与多个所述原始翼型数据一一对应的多个所述原始升力系数曲线，所述原始翼型数据用于表示翼型坐标集；
基于非均匀有理B样条，对多个所述原始翼型数据进行参数化处理一一对应得到多个原始控制点坐标集；
基于主成分分析，根据多个所述原始升力系数曲线进行预处理一一对应得到多个原始升力主成分振幅集；
根据多个所述原始控制点坐标集和多个所述原始升力主成分振幅集进行模型训练，得到所述升力系数预测模型。
根据本发明的一些实施例，每个所述原始升力主成分振幅集皆由以下步骤得到：
在所述原始升力系数曲线上采点，得到采样样本集，所述采样样本集包括多个采样样本；
根据所述采样样本集进行矩阵变换，得到降维后的主成分样本集，所述主成分样本集包括多个主成分样本，所述主成分样本的数量小于所述采样样本的数量；
根据多个所述主成分样本确定所述原始升力主成分振幅集。
根据本发明的一些实施例，所述根据多个所述原始控制点坐标集和多个所述原始升力主成分振幅集进行模型训练，得到所述升力系数预测模型，包括以下步骤：
基于多层感知器，以多个所述原始控制点坐标集作为输入，以多个所述原始升力主成分振幅集作为输出进行模型训练；
以每个所述原始升力主成分振幅集的均方根误差作为损失函数，并对所述多层感知器进行迭代优化，直至所述损失函数降低到预设的损失范围，得到所述升力系数预测模型。
根据本发明的一些实施例，所述阻力系数预测模型由以下步骤得到：
获取多个所述原始翼型数据，以及与多个所述原始翼型数据一一对应的多个所述原始阻力系数曲线，所述原始翼型数据用于表示翼型坐标集；
基于非均匀有理B样条，对多个所述原始翼型数据进行参数化处理一一对应得到多个原始控制点坐标集；
采用变分自编码器分别对多个所述原始阻力系数曲线进行阻力系数编码，一一对应得到多个原始阻力主成分振幅集；
根据多个所述原始控制点坐标集和多个所述原始阻力主成分振幅集进行模型训练，得到所述阻力系数预测模型。
根据本发明的一些实施例，所述变分自编码器包括：
编码器，用于将所述原始阻力系数曲线编码成高维的隐变量向量，所述隐变量向量为所述原始阻力主成分振幅集；
解码器，用于将所述隐变量向量解码成所述原始阻力系数曲线。
根据本发明的一些实施例，所述目标控制点坐标集由以下步骤得到：
获取目标翼型数据，所述目标翼型数据用于表示目标翼型的翼型坐标集；
基于非均匀有理B样条，对所述目标翼型数据进行参数化处理得到所述目标控制点坐标集。
根据本发明的第二方面实施例的数据驱动的超临界翼型性能预测系统，包括：
目标控制点坐标集获取单元，用于获取目标控制点坐标集；
性能预测单元，用于输入所述目标控制点坐标集至性能预测模型，输出得到目标主成分振幅集，所述目标主成分振幅集用于表示所述目标翼型的性能数据；所述性能预测模型包括升力系数预测模型和阻力系数预测模型，所述升力系数预测模型根据原始翼型数据和原始升力系数曲线训练得到，所述阻力系数预测模型根据原始翼型数据和原始阻力系数曲线训练得到，所述目标主成分振幅集包括通过所述升力系数预测模型预测得到的目标升力主成分振幅集，和通过所述阻力系数预测模型预测得到的目标阻力主成分振幅集。
根据本发明实施例的数据驱动的超临界翼型性能预测系统，至少具有如下有益效果：
通过输入目标控制点坐标集至性能预测模型，可以通过性能预测模型直接预测得到目标主成分振幅集。采用模型预测的方式计算量小，计算时长短，可以解决现有翼型气动性能的计算量大的问题。得到的目标主成分振幅集是降维后筛选出的变量数较少且为最佳变量集的目标主成分振幅集，可以体现更准确的性能数据。本发明实施例的数据驱动的超临界翼型性能预测系统，能够解决现有翼型气动性能的计算量大的问题，且能有效提高升力系数、阻力系数预测的精准度。
根据本发明的第三方面实施例的控制装置，包括存储器、处理器及存储在存储器上并可在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如上述第一方面实施例所述的数据驱动的超临界翼型性能预测方法。由于控制装置采用了上述实施例的数据驱动的超临界翼型性能预测方法的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果。
根据本发明的第四方面实施例的计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上述第一方面实施例所述的数据驱动的超临界翼型性能预测方法。由于计算机可读存储介质采用了上述实施例的数据驱动的超临界翼型性能预测方法的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例的数据驱动的超临界翼型性能预测方法的流程图；
图2是本发明一实施例的升力系数预测模型的获取方法流程图；
图3是本发明一实施例的阻力系数预测模型的获取方法流程图；
图4是本发明一实施例的参数化处理的示意图；
图5是本发明一实施例的升力系数预测模型的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面将结合图1至图5对本发明第一方面实施例的数据驱动的超临界翼型性能预测方法进行清楚、完整的描述，显然，以下所描述的实施例是本发明一部分实施例，并非全部实施例。
根据本发明第一方面实施例的数据驱动的超临界翼型性能预测方法，包括但不限于步骤S100至步骤S300：
步骤S100，获取目标控制点坐标集；
步骤S200，输入目标控制点坐标集至性能预测模型，输出得到目标主成分振幅集，目标主成分振幅集用于表示目标翼型的性能数据；性能预测模型包括升力系数预测模型和阻力系数预测模型，升力系数预测模型根据原始翼型数据和原始升力系数曲线训练得到，阻力系数预测模型根据原始翼型数据和原始阻力系数曲线训练得到，目标主成分振幅集包括通过升力系数预测模型预测得到的目标升力主成分振幅集，和通过阻力系数预测模型预测得到的目标阻力主成分振幅集。
目标控制点坐标集根据目标翼型的目标翼型数据经过参数化处理后得到，可以采用非均匀有理B样条对目标翼型数据进行参数化处理。目标翼型数据为真实超临界翼型经过扰动后得到的翼型坐标集，可以采用解析函数形状扰动方法对真实超临界翼型进行扰动，对于真实超临界翼型的翼型表达函数,改变扰动函数的参数可以得到光滑的目标翼型，从而能够满足优化工作对翼型的要求。需要说明的是，还可以采用其它扰动方法，不能看作是对本发明的限定。
对目标翼型数据进行参数化处理得到目标控制点坐标集，主要是为了减少变量个数，满足性能预测模型的输入数据格式，通过性能预测模型则可以直接输出得到目标主成分振幅集。采用模型预测的方式计算量小，计算时长短，可以解决现有翼型气动性能的计算量大的问题；得到的目标主成分振幅集是降维后筛选出变量数较少且为最佳变量集的目标主成分振幅集，从而能有效提高升力系数、阻力系数预测的精准度。
根据本发明实施例的数据驱动的超临界翼型性能预测方法，通过输入目标控制点坐标集至性能预测模型，可以通过性能预测模型直接预测得到目标主成分振幅集。采用模型预测的方式计算量小，计算时长短，可以解决现有翼型气动性能的计算量大的问题。得到的目标主成分振幅集是降维后筛选出的变量数较少且为最佳变量集的目标主成分振幅集，可以体现更准确的性能数据。本发明实施例的数据驱动的超临界翼型性能预测方法，能够解决现有翼型气动性能的计算量大的问题，且能有效提高升力系数、阻力系数预测的精准度。
在本发明的一些实施例中，参考图2和图4，升力系数预测模型由以下步骤得到：
步骤S211，获取多个原始翼型数据，以及与多个原始翼型数据一一对应的多个原始升力系数曲线，原始翼型数据用于表示翼型坐标集；
步骤S212，基于非均匀有理B样条，对多个原始翼型数据进行参数化处理一一对应得到多个原始控制点坐标集；
步骤S213，基于主成分分析，根据多个原始升力系数曲线进行预处理一一对应得到多个原始升力主成分振幅集；
步骤S214，根据多个原始控制点坐标集和多个原始升力主成分振幅集进行模型训练，得到升力系数预测模型。
原始翼型数据为真实超临界翼型经过扰动后得到的翼型坐标集。与多个原始翼型数据一一对应的多个原始升力系数曲线皆为已知的准确升力系数数据。
训练集质量的好坏直接决定了升力系数预测模型的泛化能力和准确度。通过基于非均匀有理B样条，对多个原始翼型数据进行参数化处理，可以减少变量数并能准确反映多个原始翼型数据的形态，转化成可以满足升力系数预测模型的输入训练集的多个原始控制点坐标集。如图4所示，基于非均匀有理B样条(NURBS)拟合得到的原始控制点坐标集相比原始翼型数据变量数更少，且能准确表示原始翼型数据的基本形态，以便作为升力系数预测模型的输入训练集。
需要说明的是，非均匀有理B样条的原理为本领域技术人员可知的现有技术，在此不再进行赘述。另外，还可以采用类别形状函数变换等其他方式对多个原始翼型数据进行参数化处理，只要能减少变量数，便于产生升力系数预测模型的输入训练集即可，不能看作是对本发明的限定。
采用主成分分析主要是用于对原始升力系数曲线进行降维，筛选出变量数较少且为最佳变量集的原始主成分振幅集，作为升力系数预测模型的输出训练集，从而可以体现更准确的升力系数数据。需要说明的是，主成分分析的具体过程和原理为本领域技术人员可知的现有技术，在此不再进行赘述。
在本发明的一些实施例中，每个原始升力主成分振幅集皆由以下步骤得到：
步骤S2131，在原始升力系数曲线上采点，得到采样样本集，采样样本集包括多个采样样本；
步骤S2132，根据采样样本集进行矩阵变换，得到降维后的主成分样本集，主成分样本集包括多个主成分样本，主成分样本的数量小于采样样本的数量；
步骤S2133，根据多个主成分样本确定原始升力主成分振幅集。
对采样样本集进行矩阵变换主要是为了降维，减少变量数。得到降维后的主成分样本集后，再根据多个主成分样本计算得到一一对应的多个累计贡献率，从而可以选取累计贡献率在0.8以上的前多个主成分样本作为原始升力主成分振幅集，本发明实施例中为三个，但具体选取的原始升力主成分振幅集中主成分样本的数量可以根据实际需要确定，不能看作是对本发明的限定。需要说明的是，主成分分析的具体过程和原理为本领域技术人员可知的现有技术，在此不再进行赘述。另外，累计贡献率的计算方法为本领域技术人员可知的公知常识，在此也不再进行赘述。
在本发明的一些实施例中，参考图5，根据多个原始控制点坐标集和多个原始升力主成分振幅集进行模型训练，得到升力系数预测模型，包括以下步骤：
步骤S2141，基于多层感知器，以多个原始控制点坐标集作为输入，以多个原始升力主成分振幅集作为输出进行模型训练；
步骤S2142，以每个原始升力主成分振幅集的均方根误差作为损失函数，并对多层感知器进行迭代优化，直至损失函数降低到预设的损失范围，得到升力系数预测模型。
多个原始控制点坐标集作为多层感知器的输入，多个原始升力主成分振幅集作为多层感知器的输出进行模型训练，如图5所示，nodes表示全连接节点，W1、W2、W3分别为每层神经网络的权重，最后输出的output为原始升力主成分振幅集/目标升力主成分振幅集。通过多层全连接层构建的多层感知器得到升力系数预测模型，能够提高升力系数预测模型的精确度。需要说明的是，多层感知器以及基于多层感知器进行模型构建的原理为本领域技术人员可知的现有技术，在此不再进行赘述。另外，也可以采用其他神经网络模型进行升力系数预测模型构建，不能看作是对本发明的限定。
以每个原始升力主成分振幅集的均方根误差作为损失函数，最终得到的升力系数预测模型准确度更高。优化算法可以采用Adam优化算法或者其他优化算法，在此不进行限定。初始学习率可以根据实际情况设定，在此也不作限定。需要说明的是，对多层感知器进行迭代优化的工作过程和原理为本领域技术人员可知的现有技术，在此不再进行赘述。
在本发明的一些实施例中，参考图3和图4，阻力系数预测模型由以下步骤得到：
步骤S221，获取多个原始翼型数据，以及与多个原始翼型数据一一对应的多个原始阻力系数曲线，原始翼型数据用于表示翼型坐标集；
步骤S222，基于非均匀有理B样条，对多个原始翼型数据进行参数化处理一一对应得到多个原始控制点坐标集；
步骤S223，采用变分自编码器分别对多个原始阻力系数曲线进行阻力系数编码，一一对应得到多个原始阻力主成分振幅集；
步骤S224，根据多个原始控制点坐标集和多个原始阻力主成分振幅集进行模型训练，得到阻力系数预测模型。
变分自编码器包括编码器和解码器。编码器用于将原始阻力系数曲线编码成高维的隐变量向量，隐变量向量为原始阻力主成分振幅集，原始阻力主成分振幅集包括三个主成分振幅，具体数量根据实际情况决定，不能看作是对本发明的限定；解码器用于将隐变量向量解码成原始阻力系数曲线。由于变分自编码器是对隐变量的先验分布，通过变分自编码器在隐变量空间中的分布更加均匀，没有出现空洞。因此，通过变分自编码器中的编码器进行阻力系数编码，得到原始阻力主成分振幅集，能够进一步提高阻力系数预测的精确度。
需要说明的是，步骤S221、步骤222和步骤S224与升力系数预测模型对应的部分训练过程类似，在此不再进行赘述。
在本发明的一些实施例中，参考图5，根据多个原始控制点坐标集和多个原始阻力主成分振幅集进行模型训练，得到阻力系数预测模型，包括以下步骤：
步骤S2241，基于多层感知器，以多个原始控制点坐标集作为输入，以多个原始阻力主成分振幅集作为输出进行模型训练；
步骤S2242，以每个原始阻力主成分振幅集的均方根误差作为损失函数，并对多层感知器进行迭代优化，直至损失函数降低到预设的损失范围，得到阻力系数预测模型。
多个原始控制点坐标集作为多层感知器的输入，多个原始阻力主成分振幅集作为多层感知器的输出进行模型训练，如图5所示，nodes表示全连接节点，W1、W2、W3分别为每层神经网络的权重，最后输出的output为原始阻力主成分振幅集/目标阻力主成分振幅集。通过多层全连接层构建的多层感知器得到阻力系数预测模型，能够提高阻力系数预测模型的精确度。需要说明的是，多层感知器以及基于多层感知器进行模型构建的原理为本领域技术人员可知的现有技术，在此不再进行赘述。另外，也可以采用其他神经网络模型进行阻力系数预测模型构建，不能看作是对本发明的限定。
以每个原始阻力主成分振幅集的均方根误差作为损失函数，最终得到的阻力系数预测模型准确度更高。优化算法可以采用Adam优化算法或者其他优化算法，在此不进行限定。初始学习率可以根据实际情况设定，在此也不作限定。需要说明的是，对多层感知器进行迭代优化的工作过程和原理为本领域技术人员可知的现有技术，在此不再进行赘述。
本发明第二方面实施例还提供了一种数据驱动的超临界翼型性能预测系统，包括目标控制点坐标集获取单元和性能预测单元。
目标控制点坐标集获取单元，用于获取目标控制点坐标集；
性能预测单元，用于输入目标控制点坐标集至性能预测模型，输出得到目标主成分振幅集，目标主成分振幅集用于表示目标翼型的性能数据；性能预测模型包括升力系数预测模型和阻力系数预测模型，升力系数预测模型根据原始翼型数据和原始升力系数曲线训练得到，阻力系数预测模型根据原始翼型数据和原始阻力系数曲线训练得到，目标主成分振幅集包括通过升力系数预测模型预测得到的目标升力主成分振幅集，和通过阻力系数预测模型预测得到的目标阻力主成分振幅集。
目标控制点坐标集根据目标翼型的目标翼型数据经过参数化处理后得到，可以采用非均匀有理B样条对目标翼型数据进行参数化处理。目标翼型数据为真实超临界翼型经过扰动后得到的翼型坐标集，可以采用解析函数形状扰动方法对真实超临界翼型进行扰动，对于真实超临界翼型的翼型表达函数,改变扰动函数的参数可以得到光滑的目标翼型，从而能够满足优化工作对翼型的要求。需要说明的是，还可以采用其它扰动方法，不能看作是对本发明的限定。
对目标翼型数据进行参数化处理得到目标控制点坐标集，主要是为了减少变量个数，满足性能预测模型的输入数据格式，通过性能预测模型则可以直接输出得到目标主成分振幅集。采用模型预测的方式计算量小，计算时长短，可以解决现有翼型气动性能的计算量大的问题；得到的目标主成分振幅集是降维后筛选出变量数较少且为最佳变量集的目标主成分振幅集，从而能有效提高升力系数、阻力系数预测的精准度。
根据本发明实施例的数据驱动的超临界翼型性能预测系统，通过输入目标控制点坐标集至性能预测模型，可以通过性能预测模型直接预测得到目标主成分振幅集。采用模型预测的方式计算量小，计算时长短，可以解决现有翼型气动性能的计算量大的问题。得到的目标主成分振幅集是降维后筛选出的变量数较少且为最佳变量集的目标主成分振幅集，可以体现更准确的性能数据。本发明实施例的数据驱动的超临界翼型性能预测系统，能够解决现有翼型气动性能的计算量大的问题，且能有效提高升力系数、阻力系数预测的精准度。
另外，本发明第三方面实施例还提供了一种控制装置，该控制装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。
实现上述实施例的数据驱动的超临界翼型性能预测方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的数据驱动的超临界翼型性能预测方法。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外，本发明第四方面实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述控制装置的一个处理器执行，可使得上述处理器执行上述实施例中的数据驱动的超临界翼型性能预测方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.一种数据驱动的超临界翼型性能预测方法，其特征在于，包括以下步骤：
获取目标控制点坐标集；
输入所述目标控制点坐标集至性能预测模型，输出得到目标主成分振幅集，所述目标主成分振幅集用于表示目标翼型的性能数据；所述性能预测模型包括升力系数预测模型和阻力系数预测模型，所述升力系数预测模型根据原始翼型数据和原始升力系数曲线训练得到，所述阻力系数预测模型根据原始翼型数据和原始阻力系数曲线训练得到，所述目标主成分振幅集包括通过所述升力系数预测模型预测得到的目标升力主成分振幅集，和通过所述阻力系数预测模型预测得到的目标阻力主成分振幅集。
2.根据权利要求1所述的数据驱动的超临界翼型性能预测方法，其特征在于，所述升力系数预测模型由以下步骤得到：
获取多个所述原始翼型数据，以及与多个所述原始翼型数据一一对应的多个所述原始升力系数曲线，所述原始翼型数据用于表示翼型坐标集；
基于非均匀有理B样条，对多个所述原始翼型数据进行参数化处理一一对应得到多个原始控制点坐标集；
基于主成分分析，根据多个所述原始升力系数曲线进行预处理一一对应得到多个原始升力主成分振幅集；
根据多个所述原始控制点坐标集和多个所述原始升力主成分振幅集进行模型训练，得到所述升力系数预测模型。
3.根据权利要求2所述的数据驱动的超临界翼型性能预测方法，其特征在于，每个所述原始升力主成分振幅集皆由以下步骤得到：
在所述原始升力系数曲线上采点，得到采样样本集，所述采样样本集包括多个采样样本；
根据所述采样样本集进行矩阵变换，得到降维后的主成分样本集，所述主成分样本集包括多个主成分样本，所述主成分样本的数量小于所述采样样本的数量；
根据多个所述主成分样本确定所述原始升力主成分振幅集。
4.根据权利要求2所述的数据驱动的超临界翼型性能预测方法，其特征在于，所述根据多个所述原始控制点坐标集和多个所述原始升力主成分振幅集进行模型训练，得到所述升力系数预测模型，包括以下步骤：
基于多层感知器，以多个所述原始控制点坐标集作为输入，以多个所述原始升力主成分振幅集作为输出进行模型训练；
以每个所述原始升力主成分振幅集的均方根误差作为损失函数，并对所述多层感知器进行迭代优化，直至所述损失函数降低到预设的损失范围，得到所述升力系数预测模型。
5.根据权利要求1所述的数据驱动的超临界翼型性能预测方法，其特征在于，所述阻力系数预测模型由以下步骤得到：
获取多个所述原始翼型数据，以及与多个所述原始翼型数据一一对应的多个所述原始阻力系数曲线，所述原始翼型数据用于表示翼型坐标集；
基于非均匀有理B样条，对多个所述原始翼型数据进行参数化处理一一对应得到多个原始控制点坐标集；
采用变分自编码器分别对多个所述原始阻力系数曲线进行阻力系数编码，一一对应得到多个原始阻力主成分振幅集；
根据多个所述原始控制点坐标集和多个所述原始阻力主成分振幅集进行模型训练，得到所述阻力系数预测模型。
6.根据权利要求5所述的数据驱动的超临界翼型性能预测方法，其特征在于，所述变分自编码器包括：
编码器，用于将所述原始阻力系数曲线编码成高维的隐变量向量，所述隐变量向量为所述原始阻力主成分振幅集；
解码器，用于将所述隐变量向量解码成所述原始阻力系数曲线。
7.根据权利要求1所述的数据驱动的超临界翼型性能预测方法，其特征在于，所述目标控制点坐标集由以下步骤得到：
获取目标翼型数据，所述目标翼型数据用于表示目标翼型的翼型坐标集；
基于非均匀有理B样条，对所述目标翼型数据进行参数化处理得到所述目标控制点坐标集。
8.一种数据驱动的超临界翼型性能预测系统，其特征在于，包括：
目标控制点坐标集获取单元，用于获取目标控制点坐标集；
性能预测单元，用于输入所述目标控制点坐标集至性能预测模型，输出得到目标主成分振幅集，所述目标主成分振幅集用于表示所述目标翼型的性能数据；所述性能预测模型包括升力系数预测模型和阻力系数预测模型，所述升力系数预测模型根据原始翼型数据和原始升力系数曲线训练得到，所述阻力系数预测模型根据原始翼型数据和原始阻力系数曲线训练得到，所述目标主成分振幅集包括通过所述升力系数预测模型预测得到的目标升力主成分振幅集，和通过所述阻力系数预测模型预测得到的目标阻力主成分振幅集。
9.一种控制装置，包括存储器、处理器及存储在存储器上并可在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中任一所述的数据驱动的超临界翼型性能预测方法。
10.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1至7中任一所述的数据驱动的超临界翼型性能预测方法。
CN202310137102.7A 2023-02-09 2023-02-09 数据驱动的超临界翼型性能预测方法、系统及介质 Pending CN116628836A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310137102.7A CN116628836A (zh) 2023-02-09 2023-02-09 数据驱动的超临界翼型性能预测方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310137102.7A CN116628836A (zh) 2023-02-09 2023-02-09 数据驱动的超临界翼型性能预测方法、系统及介质

Publications (1)

Publication Number Publication Date
CN116628836A true CN116628836A (zh) 2023-08-22

Family

ID=87615860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310137102.7A Pending CN116628836A (zh) 2023-02-09 2023-02-09 数据驱动的超临界翼型性能预测方法、系统及介质

Country Status (1)

Country Link
CN (1) CN116628836A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117350178A (zh) * 2023-12-05 2024-01-05 深圳十沣科技有限公司 翼型升阻力预测方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117350178A (zh) * 2023-12-05 2024-01-05 深圳十沣科技有限公司 翼型升阻力预测方法、装置、设备及存储介质
CN117350178B (zh) * 2023-12-05 2024-04-02 深圳十沣科技有限公司 翼型升阻力预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110046710A (zh) 一种神经网络的非线性函数极值优化方法及系统
CN112000084B (zh) 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法
CN108960421B (zh) 改进基于bp神经网络的水面无人艇航速在线预报方法
CN113126676B (zh) 一种畜禽舍养殖环境参数智能控制系统
CN116628836A (zh) 数据驱动的超临界翼型性能预测方法、系统及介质
CN113325721B (zh) 一种工业系统无模型自适应控制方法及系统
CN115438584A (zh) 一种基于深度学习的翼型气动力预测方法
CN115271186B (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
CN113240198A (zh) 一种基于tcn模型的港口船舶轨迹预测方法
CN116384244A (zh) 一种基于物理增强神经网络的电磁场预测方法
CN113326590A (zh) 基于深度学习模型的滚动轴承寿命预测方法和装置
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
CN114239396A (zh) 一种风机齿轮箱状态预测方法及系统
CN112949944A (zh) 一种基于时空特征的地下水位智能预测方法及系统
CN116186899A (zh) 数据驱动的超临界翼型压力分布预测方法、系统及介质
CN115659201A (zh) 物联网气体浓度检测方法及监控系统
CN112668770A (zh) 一种基于信息与波形总体相似度的电力负荷预测方法
CN116595883B (zh) 数值反应堆实时在线系统状态修正方法
CN110728292A (zh) 一种多任务联合优化下的自适应特征选择算法
Wang A new variable selection method for soft sensor based on deep learning
CN116562330B (zh) 一种人工智能鱼模拟系统的流场识别方法
CN116245357B (zh) 一种数智节能柜故障诊断方法及系统
CN114881369B (zh) 基于核化循环神经网络的风速预测方法及系统
CN117556725A (zh) 一种流场预测方法及系统
CN113806996B (zh) 一种基于时间记忆建模的篦冷机优化方法

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