CN117216886B - 一种基于扩散模型的飞行器气动布局反设计方法 - Google Patents
一种基于扩散模型的飞行器气动布局反设计方法 Download PDFInfo
- Publication number
- CN117216886B CN117216886B CN202311487437.8A CN202311487437A CN117216886B CN 117216886 B CN117216886 B CN 117216886B CN 202311487437 A CN202311487437 A CN 202311487437A CN 117216886 B CN117216886 B CN 117216886B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- diffusion model
- aerodynamic
- diffusion
- 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.)
- Active
Links
- 238000009792 diffusion process Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013461 design Methods 0.000 title claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000012938 design process Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 37
- 238000009826 distribution Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000013459 approach Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于扩散模型的飞行器气动布局反设计方法，属于飞行器外形设计选型技术领域，解决了现有技术中CFD计算复杂等问题；该方法包括：S1、通过编码空间插值方式，构建出有翼飞行器的气动性能数据库；S2、依据气动性能数据库，设计从气动性能至飞行器气动布局的连续条件的扩散模型；S3、应用kd树原理，对扩散模型进行训练；S4、扩散模型训练完成后，为其适配不同工况条件下的生成采样方式，生成外形编码；S5、将生成得到的外形编码重构为飞行器气动布局外形；本发明首次使用条件扩散模型，丰富了飞行器外形设计内容，同时具有能适应多种工况，更贴近工程现实，设计过程稳定可靠的优点。
Description
技术领域
本发明属于飞行器外形设计选型技术领域，应用于飞行器气动布局的研制设计过程中，具体为一种基于扩散模型的飞行器气动布局反设计方法。
背景技术
飞行器气动布局设计是飞行器研制过程中的重要环节，直接关系到飞行器性能的优劣和任务完成的质量。飞行器的气动布局设计阶段中，会产生大量的飞行器外形，并进行相应的流体力学(CFD)模拟计算，依据计算结果，选择出能够满足气动需求的飞行器形状构造。
然而，现有技术的此阶段过程，需要进行极大量的CFD计算，耗时较长，且设计出的飞行器外形不一定能完成符合气动性能要求；因此这种方法针对性不强，会降低飞行器设计的效率。对此，本领域技术人员采用反设计的方法，固定气动性能要求，比如给定轴向力系数()、法向力系数(/>)、压力(/>)等，来反推出飞行器形状。这种反设计方法能够直接构成飞行器外形气动性能与几何形状的联系，从而成为一种更加快捷、更加直接的飞行器设计方法。
目前已有的反设计研究对象大多是飞行器翼型，而尚未有足够的直接针对飞行器外形的研究工作，因此开展对飞行器气动布局的设计研究是很有必要的。相关研究能解决现有技术的瓶颈，弥补现有技术的不足；现有技术方案主要有以下几类作为典型示例：
1、专利CN114077771A采用生成拓扑映射进行反设计过程，专利CN115455854A采用智能优化算法NSGA-II对三维的喷水推进泵进行反设计；这两个专利均停留在传统反设计方法阶段，未涉及机器学习的方法内容。
2、专利CN104915490A公开了一种基于支持向量机的动车组头型气动反设计方法，专利CN112800663A公开了一种基于人工神经网络的航空发动机压气机转子叶片的反设计方法，专利CN104834772A公开了一种基于人工神经网络的飞机翼型/机翼反设计方法，专利CN110580396A公开了一种基于深度学习的叶轮机械叶片的三维反设计方法；这些专利均通过判别式建模来进行反设计过程。
3、专利CN111814246A公开了一种基于生成对抗网络的翼型反设计方法；该专利属于生成式模型方法，使用了对抗生成网络，但该专利将数据分布假设成了离散分布，且无法在多工况下进行反设计过程。
发明内容
针对现有技术的情况，本发明的目的是通过新的反设计方法过程，更加高效精确地进行飞行器气动布局外形的设计；通过首次使用条件扩散模型，丰富了飞行器外形设计内容，同时，本发明还具有能适应多种工况，更贴近工程现实，设计过程稳定可靠的优点。
本发明采用了以下技术方案来实现目的：
一种基于扩散模型的飞行器气动布局反设计方法，包括如下步骤：
S1、通过编码空间插值方式，构建出有翼飞行器的气动性能数据库；
S2、依据气动性能数据库，设计从气动性能至飞行器气动布局的连续条件的扩散模型；
S3、应用kd树原理，对扩散模型进行训练；
S4、扩散模型训练完成后，为其适配不同工况条件下的生成采样方式，生成外形编码；
S5、将生成得到的外形编码重构为飞行器气动布局外形。
进一步的，步骤S1的具体过程如下：
S11、依据不同种类的飞行器外形，构建初始数据库；对飞行器外形数据进行坐标归一化，通过外形编码器/>和外形解码器/>实现参数化，利用飞行器各翼面相对于头部的位置，以及各翼面的外形，在编码器/>作用下完成参数化，得到外形编码；
S12、对外形编码进行插值，插值后得到新的外形编码，实现飞行器设计数据的扩充过程；
S13、在外形解码器作用下，依据飞行器外形的正确性，筛选插值后的飞行器外形，将筛选得到的正确飞行器外形加入至初始数据库/>中，构建过程数据库/>；
S14、在外形编码器作用下，对过程数据库/>进行参数化编码；随后在包括不同的马赫数、滚转角和攻角的飞行器工况条件下，使用CFD模拟计算对应的气动性能，气动性能包括轴向力系数、法向力系数和压心；一个外形编码与一组飞行器工况条件对应于一组气动性能数据，经过条件改变和模拟计算后，构建出包括/>个数据对的飞行器反设计训练数据库/>。
进一步的，基于连续条件，设计分布扩散模型的损失函数；对于离散的外形数据点，通过将外形数据点的气动性能视为高斯分布的方式进行计算，具体的计算式依次排列如下：
上述各式中的参数含义解释如下：
为分布扩散模型的损失函数，/>代表该函数为经过化简的损失函数，/>为模型参数，/>为积分常量，/>为样本总数目；
为扩散过程的第/>步，/>为数据对中的外形编码，/>为一个高斯随机噪声；/>为工况条件与目标气动性能的拼接向量，其中/>代表第/>个真实样本，/>同理；/>为将/>、/>、/>、/>输入至分布扩散模型后得到的输出，/>为外形的气动性能的扰动的高斯分布；/>为样本损失的权重，/>为用于控制的超参数；
为扩散过程的总步数，/>为随着步数增加而不断增长的第/>步扩散系数，/>为与/>相关的中间计算参数；/>为第/>步前所有/>的连乘，也是中间计算参数。
综上所述，由于采用了本技术方案，本发明的有益效果如下：
本发明首次使用了条件扩散模型来生成新的飞行器外形，可丰富飞行器设计内容，并在预测飞行器外形的扩散模型中使用了专门针对该问题的代价函数；在扩散模型训练过程中，本发明应用了kd树，实现了训练加速的效果；本发明方法还能适应多种工况，以反设计的连续条件扩散模型实现飞行器的外形设计过程。
与现有技术相比，其预测的是翼型参数，而非本发明的飞行器参数；飞行器作为一个整体，CFD计算更加复杂，消耗时间更久；飞行器具有多个翼面，周围的空气流动复杂，难以进行设计；而本发明通过新的反设计方法解决了该难题。
现有技术采用的对抗生成式模型，假设了生成条件是离散的，而本发明方法中假设生成条件是连续的，更加贴近工程现实；现有技术的模型容易模式崩溃，导致在生成设计过程中可能仅生成少量设计，而本发明采用的扩散模型自身具有不存在模式崩溃的优点。
附图说明
图1为本发明飞行器气动布局反设计方法流程示意图；
图2为本发明飞行器编码及解码过程示意图；
图3为本发明扩散模型的训练过程示意图；
图4为本发明生成飞行器外形的过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以按各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
一种基于扩散模型的飞行器气动布局反设计方法，该方法的整体流程可同步参看图1的示意，关键步骤叙述如下：
S1、通过编码空间插值方式，构建出有翼飞行器的气动性能数据库；
S2、依据气动性能数据库，设计从气动性能至飞行器气动布局的连续条件的扩散模型；
S3、应用kd树原理，对扩散模型进行训练；
S4、扩散模型训练完成后，为其适配不同工况条件下的生成采样方式，生成外形编码；
S5、将生成得到的外形编码重构为飞行器气动布局外形。
本实施例将按照上述步骤顺序，详细介绍每一步中的具体内容。
一、通过编码空间插值，构建有翼飞行器-气动性能数据库。
步骤1.1、收集不同种类的飞行器几何形状，构建初始数据库；对飞行器数据进行坐标归一化，并利用外形编码器/>和外形解码器/>进行参数化，利用飞行器各翼面相对头部的位置，以及各翼面的外形进行参数化。
本实施例中，外形编码器用于对飞行器外形进行编码，得到参数化后的外形编码使用/>表示，其中/>为飞行器的第个编码参数，/>为飞行器参数化后的参数总数量；/>则用于将外形编码重构为飞行器外形。
步骤1.2、利用步骤1.1中参数化的飞行器外形扩充飞行器数据。将得到的飞行器外形编码，按照下式进行插值，来得到新的飞行器外形编码：
式中，为插值得到的新编码；/>，分别为两个互不相同的已有编码，为从0至1的插值权重。
步骤1.3、筛选插值后的飞行器外形以保证飞行器外形的正确性。将步骤1.2中插值得出的飞行器编码恢复成飞行器的原始外形，并筛选出合乎视觉要求的飞行器外形，然后将插值生成的合乎物理的飞行器外形加入至初始数据库中，从而得到新的过程数据库/>。
步骤1.4、将步骤1.3中得到的扩充飞行器数据以及原始的飞行器数据组成的过程数据库进行编码，编码后的飞行器外形编码使用/>表示，其中/>为飞行器的第/>个外形编码参数，/>为飞行器参数化后的参数总数量。
步骤1.5、利用步骤1.4中得到的，分别在不同的马赫数()、滚转角(/>)和攻角(/>)下(本实施例中，这三个参数即为飞行器的工况条件)使用计算流体力学(CFD)模拟计算出对应的气动性能；气动性能包括：轴向力系数(/>)、法向力系数(/>)和压心(/>)。一个飞行器外形编码/>和一组工况条件/>对应一组气动性能数据。经过条件改变和模拟计算后，构建出飞行器反设计训练数据库/>，即收集/>个数据对，每个数据对的形式为：/>。
二、设计从气动性能到飞行器气动布局的连续条件的扩散模型。
在此部分中，结合外形编码器、外形解码器和飞行器工况编码器组成的网络结构，设计同为网络结构组成之一的分布扩散模型。
其中，如图2所示，外形编码器用于对飞行器外形进行编码，得到对应的外形编码；外形解码器用于对外形编码进行解码后，得到对应的飞行器外形；飞行器工况编码器用于对飞行器工况进行编码，得到对应的工况编码；分布扩散模型用于计算扩散过程的逆过程，其输入为扩散过程的后一步、扩散步数和工况编码，输出为扩散过程的前一步。
在设计及后续的训练过程中，扩散模型的损失函数是基于连续条件来设计的，对于离散的外形数据点，通过将外形数据点的气动性能视为高斯分布的方式进行计算，具体的计算式依次排列如下：
上述各式中的参数含义解释如下：
为分布扩散模型的损失函数，/>代表该函数为经过化简的损失函数，/>为模型参数，/>为积分常量，/>为样本总数目；
为扩散过程的第/>步，/>为数据对中的外形编码，/>为一个高斯随机噪声；/>为工况条件与目标气动性能的拼接向量，其中/>代表第/>个真实样本，/>同理；/>为将/>、/>、/>、/>输入至分布扩散模型后得到的输出，/>为外形的气动性能的扰动的高斯分布；/>为样本损失的权重，/>为用于控制的超参数；
为扩散过程的总步数，/>为随着步数增加而不断增长的第/>步扩散系数，/>为与/>相关的中间计算参数；/>为第/>步前所有/>的连乘，也是中间计算参数。
三、基于kd树的连续条件扩散模型快速训练方法。
此部分的具体过程如下，可同步参看图3所示的相关流程：
步骤3.1、依据工况条件与目标气动性能的拼接向量，构建出kd树/>；
步骤3.2、在所有拼接向量的集合中，随机采样得出一个/>，并添加高斯噪声，得到/>；
步骤3.3、在构建好的kd树中，寻找与/>最近的/>个邻居节点，形成集合/>；
步骤3.4、在集合中随机采样一个样本，该样本包括飞行器外形、工况条件和目标气动性能，依据前述计算式，计算得出对应权重/>；
步骤3.5、依据前述计算式，计算出损失函数，并计算梯度更新模型的参数；不断迭代步骤3.2至3.5的采样计算过程，直至结果收敛，完成模型训练过程。
四、适配不同工况条件下的生成采样方式，生成外形编码。
此部分的具体过程如下，可同步参看图4的示意，图4中以参数指代下文中不同工况的目标性能，也就是气动性能；以参数/>指代多个不同的工况条件。
步骤4.1、对于单工况条件，直接将测试的飞行器工况与气动性能/>需求进行拼接，得到拼接向量/>后，送入训练完成的扩散模型，再依据下式生成飞行器的外形编码/>：
式中，是飞行器的外形编码，/>是测试的飞行器工况与性能需求的拼接向量，/>为扩散模型每一步的输出，/>为扩散模型逼近的条件概率分布；从条件概率分布中采样，即可得到单工况条件下飞行器的外形编码。
步骤4.2、多工况条件约束时，假设有个工况条件和对应的目标气动性能需求，将测试的飞行器工况/>与气动性能需求进行拼接，得到拼接向量/>的集合；随后依照单工况条件下的计算方法，循环计算/>，得到/>个单工况条件概率分布。
步骤4.3、将个单工况条件概率分布代入下式，得到多工况条件下唯一确定的条件概率分布：
式中，为扩散模型每一步的输出，/>为扩散模型的无条件输出，/>为各个工况条件的权重系数，/>为扩散模型逼近的条件概率分布；从条件概率分布中采样，即可得到多工况条件下飞行器的外形编码/>。
五、将生成的外形编码重构为飞行器外形。
由于第四部分中生成的是飞行器外形编码，其并非飞行器真正的气动外形，因此再通过一个满足对应解码需求的外形解码器/>，将不同工况条件下生成得到的多个外形编码集合重构为多种飞行器气动布局外形，完成整个反设计过程。
Claims (7)
1.一种基于扩散模型的飞行器气动布局反设计方法，其特征在于：所述方法包括如下步骤：
S1、通过编码空间插值方式，构建有翼飞行器的气动性能数据库；
S2、依据气动性能数据库，设计从气动性能至飞行器气动布局的连续条件的扩散模型；
S3、应用kd树原理，对扩散模型进行训练；
S4、扩散模型训练完成后，为其适配不同工况条件下的生成采样方式，生成外形编码；
S5、将生成得到的外形编码重构为飞行器气动布局外形；
步骤S2中，结合外形编码器、外形解码器和飞行器工况编码器组成的网络结构，设计同为网络结构组成之一的分布扩散模型；其中，外形编码器用于对飞行器外形进行编码，得到对应的外形编码；外形解码器用于对外形编码进行解码后，得到对应的飞行器外形；飞行器工况编码器用于对飞行器工况进行编码，得到对应的工况编码；分布扩散模型用于计算扩散过程的逆过程，其输入为扩散过程的后一步、扩散步数和工况编码，输出为扩散过程的前一步；
随后，基于连续条件，设计分布扩散模型的损失函数；对于离散的外形数据点，通过将外形数据点的气动性能视为高斯分布的方式，完成计算过程；
步骤S4中，不同工况条件分为单工况条件和多工况条件；单工况条件下，直接将测试的飞行器工况与气动性能需求进行拼接，得到拼接向量后，送入训练完成的扩散模型，再依据下式生成飞行器的外形编码：
式中，是飞行器的外形编码，/>是测试的飞行器工况与性能需求的拼接向量，/>为扩散模型每一步的输出，/>为扩散模型逼近的条件概率分布；从条件概率分布中采样，即可得到单工况条件下飞行器的外形编码；
多工况条件下，假设有个工况条件和对应的目标气动性能需求，将测试的飞行器工况与气动性能需求进行拼接，得到拼接向量/>的集合；随后依照单工况条件下的计算方法，循环计算/>，得到/>个单工况条件概率分布；将/>个单工况条件概率分布代入下式，得到多工况条件下唯一确定的条件概率分布：
式中，为扩散模型每一步的输出，/>为扩散模型的无条件输出，/>为各个工况条件的权重系数，/>为扩散模型逼近的条件概率分布；从条件概率分布中采样，即可得到多个工况条件下飞行器的外形编码。
2.根据权利要求1所述的一种基于扩散模型的飞行器气动布局反设计方法，其特征在于：步骤S1中，构建气动性能数据库的过程包括：依据不同种类的飞行器外形，构建初始数据库；针对参数化后的/>，通过插值及筛选过程，构建过程数据库/>；针对参数化后的/>，在不同工况下通过CFD计算得出对应的气动性能，完成数据对应后，构建出反设计训练数据库/>，/>即为气动性能数据库。
3.根据权利要求2所述的一种基于扩散模型的飞行器气动布局反设计方法，其特征在于：步骤S1的具体过程如下：
S11、依据不同种类的飞行器外形，构建初始数据库；对飞行器外形数据进行坐标归一化，通过外形编码器/>和外形解码器/>实现参数化，利用飞行器各翼面相对于头部的位置，以及各翼面的外形，在编码器/>作用下完成参数化，得到外形编码；
S12、对外形编码进行插值，插值后得到新的外形编码，实现飞行器设计数据的扩充过程；
S13、在外形解码器作用下，依据飞行器外形的正确性，筛选插值后的飞行器外形，将筛选得到的正确飞行器外形加入至初始数据库/>中，构建过程数据库/>；
S14、在外形编码器作用下，对过程数据库/>进行参数化编码；随后在包括不同的马赫数、滚转角和攻角的飞行器工况条件下，使用CFD模拟计算对应的气动性能，气动性能包括轴向力系数、法向力系数和压心；一个外形编码与一组飞行器工况条件对应于一组气动性能数据，经过条件改变和模拟计算后，构建出包括/>个数据对的飞行器反设计训练数据库/>。
4.根据权利要求1所述的一种基于扩散模型的飞行器气动布局反设计方法，其特征在于：将外形数据点的气动性能视为高斯分布的方式进行计算时，具体的计算式依次排列如下：
上述各式中的参数含义解释如下：
为分布扩散模型的损失函数，/>代表该函数为经过化简的损失函数，/>为模型参数，/>为积分常量，/>为样本总数目；
为扩散过程的第/>步，/>为数据对中的外形编码，/>为一个高斯随机噪声；/>为工况条件与目标气动性能的拼接向量，其中/>代表第/>个真实样本，/>同理；/>为将/>、/>、/>、/>输入至分布扩散模型后得到的输出，/>为外形的气动性能的扰动的高斯分布；/>为样本损失的权重，/>为用于控制的超参数；
为扩散过程的总步数，/>为随着步数增加而不断增长的第/>步扩散系数，/>为与/>相关的中间计算参数；/>为第/>步前所有/>的连乘，也是中间计算参数。
5.根据权利要求4所述的一种基于扩散模型的飞行器气动布局反设计方法，其特征在于：步骤S3中，依据设计的扩散模型中，工况条件与气动性能的拼接向量，构建出kd树/>，进行模型训练过程。
6.根据权利要求5所述的一种基于扩散模型的飞行器气动布局反设计方法，其特征在于：步骤S3的具体过程如下：
S31、依据工况条件与气动性能的拼接向量，构建出kd树/>；
S32、在所有拼接向量的集合中，随机采样得出一个/>，并添加高斯噪声，得到；
S33、在构建好的kd树中，寻找与/>最近的/>个邻居节点，形成集合/>；
S34、在集合中随机采样一个样本，该样本包括飞行器外形、工况条件和目标气动性能，依据计算式，计算得出对应权重/>；
S35、依据计算式，计算出损失函数，并计算梯度更新模型的参数；不断迭代步骤S32至S35的采样计算过程，直至结果收敛，完成模型训练过程。
7.根据权利要求1所述的一种基于扩散模型的飞行器气动布局反设计方法，其特征在于：步骤S5中，通过外形解码器，将不同工况条件下生成得到的多个外形编码集合重构为多种飞行器气动布局外形，完成整个反设计过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311487437.8A CN117216886B (zh) | 2023-11-09 | 2023-11-09 | 一种基于扩散模型的飞行器气动布局反设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311487437.8A CN117216886B (zh) | 2023-11-09 | 2023-11-09 | 一种基于扩散模型的飞行器气动布局反设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117216886A CN117216886A (zh) | 2023-12-12 |
| CN117216886B true CN117216886B (zh) | 2024-04-05 |
Family
ID=89044833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311487437.8A Active CN117216886B (zh) | 2023-11-09 | 2023-11-09 | 一种基于扩散模型的飞行器气动布局反设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216886B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114154024A (zh) * | 2021-12-02 | 2022-03-08 | 公安部户政管理研究中心 | 一种基于动态网络属性表示的链接预测方法 |
| WO2022089218A1 (zh) * | 2020-10-28 | 2022-05-05 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、预测系统 |
| WO2023118317A1 (en) * | 2021-12-22 | 2023-06-29 | Deep Render Ltd | Method and data processing system for lossy image or video encoding, transmission and decoding |
| CN116631499A (zh) * | 2023-05-25 | 2023-08-22 | 湖南大学 | 一种基于条件离散扩散模型的核酸适体生成方法 |
| CN116738891A (zh) * | 2023-08-08 | 2023-09-12 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种增强飞行器流场模拟稳定性的lu-sgs改进方法 |
| CN116883545A (zh) * | 2023-07-06 | 2023-10-13 | 浙江大学 | 基于扩散模型的图片数据集扩充方法、介质及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9790770B2 (en) * | 2013-10-30 | 2017-10-17 | The Texas A&M University System | Determining performance data for hydrocarbon reservoirs using diffusive time of flight as the spatial coordinate |
| EP4016363A1 (en) * | 2020-12-21 | 2022-06-22 | Dassault Systèmes | Topology optimization with reaction-diffusion equations |
-
2023
- 2023-11-09 CN CN202311487437.8A patent/CN117216886B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022089218A1 (zh) * | 2020-10-28 | 2022-05-05 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、预测系统 |
| CN114154024A (zh) * | 2021-12-02 | 2022-03-08 | 公安部户政管理研究中心 | 一种基于动态网络属性表示的链接预测方法 |
| WO2023118317A1 (en) * | 2021-12-22 | 2023-06-29 | Deep Render Ltd | Method and data processing system for lossy image or video encoding, transmission and decoding |
| CN116631499A (zh) * | 2023-05-25 | 2023-08-22 | 湖南大学 | 一种基于条件离散扩散模型的核酸适体生成方法 |
| CN116883545A (zh) * | 2023-07-06 | 2023-10-13 | 浙江大学 | 基于扩散模型的图片数据集扩充方法、介质及设备 |
| CN116738891A (zh) * | 2023-08-08 | 2023-09-12 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种增强飞行器流场模拟稳定性的lu-sgs改进方法 |
Non-Patent Citations (3)
| Title |
|---|
| Flow and performance characteristics of a Y-shaped diffusing duct using CFD;R.B. Anand 等;《Int. J. Aerodynamics》;第1卷(第2期);115-129 * |
| 作战飞机的气动布局;焦方金;《国防科技》;84 * |
| 涵道风扇式微型飞行器气动布局设计与气动特性分析;宋文瑞;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2期);C031-84 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117216886A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632869B (zh) | 一种基于网格框架的非结构附面层网格生成方法 | |
| CN104851126B (zh) | 基于广义圆柱体的三维模型分割方法及装置 | |
| EP1986158B1 (en) | Decorating computer generated character with surface attached features | |
| CN108256173A (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
| JP2022518989A (ja) | 音声信号により駆動される顔アニメーションの生成方法 | |
| CN111859746A (zh) | 一种基于流场重构的透平机械变工况性能预测方法 | |
| CN115481511B (zh) | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 | |
| CN111295657A (zh) | 利用卷积神经网络代理经由梯度下降的技术设备的外形优化 | |
| CN111243065A (zh) | 一种语音信号驱动的脸部动画生成方法 | |
| CN117216886B (zh) | 一种基于扩散模型的飞行器气动布局反设计方法 | |
| CN114861315A (zh) | 一种基于机器学习的叶轮机二维叶型优化方法 | |
| CA2630106A1 (en) | Placing skin-attached features on a computer generated character | |
| Yu et al. | D $^ 2$ CSG: Unsupervised Learning of Compact CSG Trees with Dual Complements and Dropouts | |
| CN114154234A (zh) | 一种航空发动机建模方法、系统、存储介质 | |
| 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 | |
| Casás et al. | Evolutionary design of wind turbine blades | |
| Wei et al. | Latent Representation of CFD Meshes and Application to Airfoil Aerodynamics | |
| CN115310209B (zh) | 基于vae的气动形状迁移优化方法及相关装置 | |
| CN117540664B (zh) | 一种基于图神经网络的二维流场预测与修正方法 | |
| Xiang et al. | A Manifold-Based Airfoil Geometric-Feature Extraction and Discrepant Data Fusion Learning Method | |
| Ma et al. | A 3D model simplification algorithm based on edge-collapse | |
| Zhang et al. | Study on the Intelligent Modeling of the Blade Aerodynamic Force in Compressors Based on Machine Learning. Mathematics 2021, 9, 476 | |
| Wang et al. | Reconstruction of smooth skin surface based on arbitrary distributed sparse point clouds | |
| CN113436314B (zh) | 一种基于结构的计算机三维网格模型重建方法 | |
| CN108537783B (zh) | 一种基于em算法与贪心策略的红细胞序列样本分割方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |