CN117350178B - 翼型升阻力预测方法、装置、设备及存储介质 - Google Patents

翼型升阻力预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117350178B
CN117350178B CN202311650460.4A CN202311650460A CN117350178B CN 117350178 B CN117350178 B CN 117350178B CN 202311650460 A CN202311650460 A CN 202311650460A CN 117350178 B CN117350178 B CN 117350178B
Authority
CN
China
Prior art keywords
airfoil
training
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.)
Active
Application number
CN202311650460.4A
Other languages
English (en)
Other versions
CN117350178A (zh
Inventor
刘俊
毛峰
丁可琦
张程
谢峰
刘辉
张日葵
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.)
Wuhan Shifeng Technology Co.,Ltd.
Original Assignee
Shenzhen Shifeng Technology Co ltd
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 Shenzhen Shifeng Technology Co ltd filed Critical Shenzhen Shifeng Technology Co ltd
Priority to CN202311650460.4A priority Critical patent/CN117350178B/zh
Publication of CN117350178A publication Critical patent/CN117350178A/zh
Application granted granted Critical
Publication of CN117350178B publication Critical patent/CN117350178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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

Landscapes

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

Abstract

本发明属于互联网技术领域，公开了一种翼型升阻力预测方法、装置、设备及存储介质。本发明通过根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集；根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型；输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息。通过各翼型形状和各翼型数据得到目标数据集，再根据目标数据集训练初始升阻力预测模型，得到目标升阻力预测模型，最后输入待预测翼型数据，得到翼型升阻力预测结果，提高了翼型升阻力的计算精度，实现了提高翼型升阻力计算的效率。

Description

翼型升阻力预测方法、装置、设备及存储介质
技术领域
本发明涉及互联网技术领域，尤其涉及一种翼型升阻力预测方法、装置、设备及存储介质。
背景技术
翼型的气动分析、优化设计对航空航天领域具有重要的指导意义，目前，翼型设计分析仍然是以计算流体力学(CFD)进行数值仿真为主，然而, 在最先进的CFD仿真中，为了获得较高的时空分辨率，求解器需要进行不断的迭代，耗费了昂贵的计算资源与时间成本，同时，进行CFD的翼型仿真往往需要：网格划分、计算域设置、湍流模型选择等一套复杂的流程，且需要专业仿真工程师进行调试；近年来，随着深度学习技术的快速发展，深度学习技术逐渐被应用于翼型的流场计算中，用于快速的气动分析与优化设计中，基于深度学习的翼型流场计算主要分为两类：一类是基于初始流场图像预测稳态流场的算法，该方法先通过CFD软件初始化得到翼型的初始流场信息，再训练一个深度学习模型来映射初始流程与稳态流程。该方法摆脱了CFD的迭代计算，但并未考虑到速度与攻角的显式变化，预测精度不足，二类是基于图像超分辨率的翼型流场计算方法，该方法采用CFD计算出一个低分辨率的结果，然后采用图像超分辨技术对低分辨率进行插值，该方法节省了求解器迭代中一部分节点的计算代价，但仍然需要专业仿真工程师进行CFD仿真，因此，如何在不需要专业仿真工程师的情况下，寻找一种简单且快速的翼型气动分析计算方法成为了亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种翼型升阻力预测方法、装置、设备及存储介质，旨在解决现有技术翼型升阻力的计算精度低的技术问题。
为实现上述目的，本发明提供了一种翼型升阻力预测方法，所述方法包括以下步骤：
根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集；
根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型；
输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息。
可选地，所述根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集之前，还包括：
输入各工况的翼型工况数据至预设计算模型，得到初始数据集；
对所述初始数据集中各翼型形状进行编码，得到形状编码数据；
对所述初始数据集中各翼型数据进行归一化处理，得到归一化数据。
可选地，所述根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型之前，还包括：
根据预设训练策略将各翼型形状的形状编码数据输入至初始卷积网络进行训练；
根据训练结果对所述初始卷积网络的网络参数进行调整；
根据调整结果得到目标卷积网络。
可选地，所述根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型之前，还包括：
根据各翼型形状的形状编码数据和目标卷积网络进行模块构建，得到目标特征模块；
根据各翼型数据的归一化数据进行模块构建，得到初始提取模块；
根据所述目标特征模块、所述目标特征模块以及初始拟合网络，得到初始升阻力预测模型。
可选地，所述根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型，包括：
根据预设划分比例对所述目标数据集进行划分，得到训练集和验证集；
根据所述训练集和所述验证集对初始升阻力预测模型中初始提取模块进行训练，得到训练提取模块；
根据所述训练集和所述验证集对初始升阻力预测模型中初始拟合网络进行训练，得到训练拟合网络；
根据所述训练提取模块、所述训练拟合网络以及目标特征模块得到训练升阻力预测模型；
基于所述训练升阻力预测模型得到目标升阻力预测模型。
可选地，所述根据所述训练集和所述验证集对初始升阻力预测模型中初始拟合网络进行训练，得到训练拟合网络，包括：
根据训练集对初始拟合网络进行训练；
根据训练结果和验证集对所述初始拟合网络的预测参数进行调整，得到调整拟合网络；
在调整拟合网络满足预设收敛条件时，根据调整拟合网络得到训练拟合网络。
可选地，所述输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息，包括：
获取待测翼型形状和待测翼型数据；
输入所述待测翼型形状至目标升阻力预测模型中目标特征模块进行几何特征提取，得到几何特征数据；
输入所述待测翼型数据至目标升阻力预测模型中训练提取模块进行工况特征提取，得到工况特征数据；
融合所述几何特征数据和工况特征数据，得到目标特征向量；
输入所述目标特征向量至目标升阻力预测模型中训练拟合网络，得到预测翼型信息。
此外，为实现上述目的，本发明还提出一种翼型升阻力预测装置，所述翼型升阻力预测装置包括：
构建模块，用于根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集；
训练模块，用于根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型；
预测模块，用于输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息。
此外，为实现上述目的，本发明还提出一种翼型升阻力预测设备，所述翼型升阻力预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的翼型升阻力预测程序，所述翼型升阻力预测程序配置为实现如上文所述的翼型升阻力预测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有翼型升阻力预测程序，所述翼型升阻力预测程序被处理器执行时实现如上文所述的翼型升阻力预测方法的步骤。
本发明通过根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集；根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型；输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息。通过各翼型形状和各翼型数据得到目标数据集，再根据目标数据集训练初始升阻力预测模型，得到目标升阻力预测模型，最后输入待预测翼型数据，得到翼型升阻力预测结果，提高了翼型升阻力的计算精度，实现了提高翼型升阻力计算的效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的翼型升阻力预测设备的结构示意图；
图2为本发明翼型升阻力预测方法第一实施例的流程示意图；
图3为本发明翼型升阻力预测方法一实施例的总体流程示意图；
图4为本发明翼型升阻力预测方法第二实施例的流程示意图；
图5为本发明翼型升阻力预测方法一实施例的卷积自编码结构示意图；
图6为本发明翼型升阻力预测方法一实施例的算法网络流程示意图；
图7为本发明翼型升阻力预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的翼型升阻力预测设备结构示意图。
如图1所示，该翼型升阻力预测设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU）、通信总线1002、用户接口1003、网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对翼型升阻力预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及翼型升阻力预测程序。
在图1所示的翼型升阻力预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明翼型升阻力预测设备中的处理器1001、存储器1005可以设置在翼型升阻力预测设备中，所述翼型升阻力预测设备通过处理器1001调用存储器1005中存储的翼型升阻力预测程序，并执行本发明实施例提供的翼型升阻力预测方法。
本发明实施例提供了一种翼型升阻力预测方法，参照图2，图2为本发明一种翼型升阻力预测方法第一实施例的流程示意图。
本实施例中，所述翼型升阻力预测方法包括以下步骤：
步骤S10：根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集。
需要说明的是，本实施例的执行主体是翼型升阻力预测设备，其中，该翼型升阻力预测设备具有数据处理，数据通信及程序运行等功能，所述翼型升阻力预测设备可以为集成控制器，控制计算机等设备，当然还可以为其他具备相似功能的设备，本实施例对此不做限制。
可以理解的是，形状编码数据指的是对翼型形状的二维矩阵数据进行二值编码得到数据，各翼型数据包括但不限于速度、攻角、升力以及阻力，归一化数据指的是对各翼型数据进行归一化处理得到的数据，目标数据集指的是用于模型训练的数据样本集。
在具体实施中，根据得到的翼型形状编码数据和各翼型数据的归一化数据构建样本集，得到用于模型训练的数据样本集。
需要说明的是，为了对翼型数据集进行预处理，进一步地，所述根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集之前，还包括：输入各工况的翼型工况数据至预设计算模型，得到初始数据集；对所述初始数据集中各翼型形状进行编码，得到形状编码数据；对所述初始数据集中各翼型数据进行归一化处理，得到归一化数据。
可以理解的是，翼型工况数据指的是不同翼型形状、速度、攻角等工况数据，预设计算模型指的是计算流体力学(CFD)，初始数据集指的是翼型形状、速度、攻角以及升力以及阻力组成的数据集。
在具体实施中，将不同翼型形状、速度、攻角等工况数据输入到计算流体力学模型中进行仿真计算，得到翼型形状、速度、攻角以及升力以及阻力组成的数据集，再对翼型形状进行二值编码，得到翼型形状的编码数据，最后对速度、攻角以及升力以及阻力进行归一化处理，得到各翼型数据的归一化数据。
需要说明的是，如图3所示，对不同翼型形状、速度、攻角等工况采用CFD进行仿真计算，收集相关翼型形状、速度、攻角以及升力与阻力数据；对翼型的二维矩阵数据进行二值编码，编码方式为：翼型内部采用数值1进行编码，翼型外部采用数值0进行编码。对速度、攻角、升力、阻力进行正态标准归一化操作(如：速度= (速度–速度平均值)/速度方差)，将数据进行合适的编码有助于神经网络的算法的加速收敛。
步骤S20：根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型。
可以理解的是，初始升阻力预测模型指的是升阻力预测网络，目标升阻力预测模型指的是网络收敛后的升阻力预测网络。
在具体实施中，根据得到的用于模型训练的数据样本集对升阻力预测网络进行训练和优化，得到网络收敛后的升阻力预测网络。
需要说明的是，为了得到目标卷积网络，进一步地，所述根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型之前，还包括：根据预设训练策略将各翼型形状的形状编码数据输入至初始卷积网络进行训练；根据训练结果对所述初始卷积网络的网络参数进行调整；根据调整结果得到目标卷积网络。
可以理解的是，预设训练策略指的是以翼型形状为输入和输出，以最小化输入输出的误差为目标的自监督训练策略，初始卷积网络指的是卷积自编码网络，包括编码器与解码器，编码器用于特征提取，解码器用于重构形状，网络参数指的是网络的层数、学习率等超参数，目标卷积网络指的是模型收敛后的卷积自编码网络。
在具体实施中，根据自监督训练策略将翼型形状的编码数据输入到构建的卷积自编码网络进行训练，再根据训练结果对卷积自编码网络的层数、学习率等超参数进行调整，最后得到模型收敛后的卷积自编码网络。
应当理解的是，首先，构建一个卷积自编码网络，包括编码器与解码器，编码器用于特征提取，解码器用于重构形状；其次，采用自监督的训练策略(以翼型形状为输入和输出，以最小化输入输出的误差为目标，称为自监督训练策略)，将所有编码的翼型形状数据用于卷积自编码网络的训练；最后，训练卷积自编码网络，对网络的层数、学习率等超参数进行调优，直至模型收敛(重构的翼型形状与输入的翼型形状误差很小)，保存卷积自编码网络模型结构与参数，以供几何特征提取。
需要说明的是，为了得到初始升阻力预测模型，进一步地，所述根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型之前，还包括：根据各翼型形状的形状编码数据和目标卷积网络进行模块构建，得到目标特征模块；根据各翼型数据的归一化数据进行模块构建，得到初始提取模块；根据所述目标特征模块、所述目标特征模块以及初始拟合网络，得到初始升阻力预测模型。
可以理解的是，目标特征模块指的是几何特征提取模块，初始提取模块指的是工况特征提取模块，初始拟合网络指的是两层的全连接网络。
在具体实施中，根据得到的翼型形状编码数据和目标卷积网络构建特征模块，得到几何特征提取模块，再根据得到的各翼型数据的归一化数据构建特征模块，得到工况特征提取模块，最后根据几何特征提取模块、工况特征提取模块以及两层的全连接网络组成初始升阻力预测模型。
步骤S30：输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息。
可以理解的是，待测翼型数据包括但不限于待进行预测的翼型形状、速度以及攻角数据，预测翼型信息指的是预测出的翼型升力与阻力信息。
在具体实施中，将翼型形状、速度以及攻角数据输入至目标升阻力预测模型中进行预测，得到模型预测出的翼型升力与阻力信息。
本实施例通过根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集；根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型；输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息。通过各翼型形状和各翼型数据得到目标数据集，再根据目标数据集训练初始升阻力预测模型，得到目标升阻力预测模型，最后输入待预测翼型数据，得到翼型升阻力预测结果，提高了翼型升阻力的计算精度，实现了提高翼型升阻力计算的效率。
参考图4，图4为本发明一种翼型升阻力预测方法第二实施例的流程示意图。
基于上述第一实施例，本实施例翼型升阻力预测方法在所述步骤S20，包括：
步骤S21：根据预设划分比例对所述目标数据集进行划分，得到训练集和验证集。
可以理解的是，预设划分比例指的是预先设定的划分样本集的比例，本实施例设定为4:1的比例划分为训练集与测试集，训练集指的是用于训练模型的数据集，验证集指的是用于验证模型性能的数据集，根据预先设定的划分比例对目标数据集进行划分，得到划分后的训练集和验证集。
步骤S22：根据所述训练集和所述验证集对初始升阻力预测模型中初始提取模块进行训练，得到训练提取模块。
可以理解的是，训练提取模块指的是训练完成后的工况特征提取模块，根据划分目标数据集得到的训练集和验证集对工况特征提取模块进行训练，得到训练完成后的工况特征提取模块。
步骤S23：根据所述训练集和所述验证集对初始升阻力预测模型中初始拟合网络进行训练，得到训练拟合网络。
可以理解的是，训练拟合网络指的是训练完成后的拟合网络，根据划分目标数据集得到的训练集和验证集对拟合网络进行训练，得到训练完成后的拟合网络。
需要说明的是，为了得到训练拟合网络，进一步地，所述根据所述训练集和所述验证集对初始升阻力预测模型中初始拟合网络进行训练，得到训练拟合网络，包括：根据训练集对初始拟合网络进行训练；根据训练结果和验证集对所述初始拟合网络的预测参数进行调整，得到调整拟合网络；在调整拟合网络满足预设收敛条件时，根据调整拟合网络得到训练拟合网络。
可以理解的是，预测参数指的是拟合网络的网络参数，调整拟合网络指的是参数调整后的拟合网络，预设收敛条件指的是预先设定的拟合网络收敛的条件。
在具体实施中，根据得到的训练集对拟合网络进行训练，根据训练结果和验证集对拟合网络的网络参数进行调整直至网络收敛，在拟合网络收敛时，即满足了预先设定的收敛条件，确定调整参数后的拟合网络为训练拟合网络。
步骤S24：根据所述训练提取模块、所述训练拟合网络以及目标特征模块得到训练升阻力预测模型。
可以理解的是，根据训练后的工况特征提取模块、训练后的拟合网络以及几何特征提取模块构成训练后的升阻力预测模型。
步骤S25：基于所述训练升阻力预测模型得到目标升阻力预测模型。
可以理解的是，确定训练后的升阻力预测模型为目标升阻力预测模型。
需要说明的是，为了得到预测翼型信息，进一步地，所述输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息，包括：获取待测翼型形状和待测翼型数据；输入所述待测翼型形状至目标升阻力预测模型中目标特征模块进行几何特征提取，得到几何特征数据；输入所述待测翼型数据至目标升阻力预测模型中训练提取模块进行工况特征提取，得到工况特征数据；融合所述几何特征数据和工况特征数据，得到目标特征向量；输入所述目标特征向量至目标升阻力预测模型中训练拟合网络，得到预测翼型信息。
可以理解的是，待测翼型形状指的是待预测的翼型形状数据，待测翼型数据指的是待预测的翼型速度和攻角数据，几何特征数据指的是提取的几何特征数据，工况特征数据指的是提取的工况特征数据，目标特征向量指的是提取的几何特征与工况特征连接为一维特征向量。
在具体实施中，将待预测的翼型形状数据输入到目标特征模块进行几何特征提取，得到提取的几何特征数据，再将待预测的翼型速度和攻角数据输入到训练提取模块进行工况特征提取，得到提取的工况特征数据，将提取的几何特征与工况特征连接为一维特征向量，得到目标特征向量，最后将标特征向量输入到训练拟合网络中进行预测，得到预测的翼型升力和阻力信息。
需要说明的是，首先，将翼型形状、速度、攻角、升力与阻力匹配为一一对应的数据样本，同时将所有的样本按4:1的比例划分为训练集与测试集，其次，构建翼型形状为输入，卷积自编码的编码器为网络结构的几何特征提取模块，同时设置卷积自编码的参数是不可训练的，再次，构建以速度、攻角为输入的工况特征提取模块，该分支为三层的全连接网络，此部分网络参数设置为可训练，然后，将提取的几何特征与工况特征连接为一维特征向量，输入到以升力、阻力为输出的拟合网络，拟合网络为两层的全连接网络，参数可训练，最后，训练及优化升阻力预测网络，直至网络收敛(网络预测升力、阻力与CFD计算的升力、阻力误差较小)；在实际应用阶段中，将翼型形状、速度、攻角输入到训练完成的升阻力预测网络(包括几何特征提取模块、工况特征提取模块以及升力阻力拟合模块)，即可计算出翼型的升力与阻力。
应当说明的是，本实施例分为两个阶段的训练：卷积自编码训练阶段与升阻力预测网络训练阶段，卷积自编码网络作用是提取翼型的几何特征，其编码模块是升阻力预测模块的一部分，编码模块仅在一阶段更新参数，二阶段则参数无需更新，升阻力预测网络包括了几何特征提取模块、工况特征提取模块、升阻力预测模块。
可以理解的是，卷积自编码训练阶段：卷积自编码的输入输出都是翼型形状，采用自监督的方式进行训练，其核心功能是提取翼型的几何特征，在本实施例中，采用了如图5所示的卷积自编码结构，定义翼型二维矩阵为，h与w表示翼型二维矩阵的高和宽，/>在卷积层进行卷积操作，设置卷积核的大小为3*3，移动步长为2，则经过一个卷积层后，/>的高和宽各自减半。在经过三层的卷积层后，原来的高和宽则缩小为/>和/>，同时，每一个卷积层都会采用多个卷积核进行特征提取，提取到多个通道的几何特征，在本发明中，三个卷积层分别设置为32、16、8，因此，经过三个卷积层后，几何特征为一个8通道、高和宽为/>和的特征向量，在反卷积层中，会将原来的特征图进行填充操作(一般采用0值进行填充)，将特征图的高和宽扩充为原来的两倍，以此达到上采样的目的。在经过填充后需要卷积核进行卷积计算，此时的卷积核的步长为1，并不改变特征图的大小，在三个反卷积层中，依次进行2倍上采样，将几何特征还原到翼型形状的大小，三个反卷积层的卷积核数据量依次为32、64、1，最后得到大小一致的翼型形状矩阵，在卷积自编码中加入了跳跃连接操作，即编码器与解码器中大小一致的特征图进行跳跃相加，该操作在解码器中融合了编码器的特征，有助于网络还原翼型形状，定义卷积自编码的输出为/>，则损失函数为，损失函数会在方向传播误差时帮助卷积自编码网络进行学习，在卷积自编码的训练设置中，激活函数为sigmoid函数，优化器为Adam，学习率为0.0001，批处理大小为64，训练轮数为2000轮。
应当理解的是，升阻力预测网络训练阶段：在升阻力预测网络的训练阶段，需要将训练完成的卷积自编码的编码模块作为几何特征提取模块，同时，将其参数设置为无需训练，在构建升阻力预测网络时，仅需构建工况特征提取模块与升阻力预测模块，其参数需要训练更新，其算法网络流程如图6所示，在工况特征提取模块中，采用三个的全连接层进行特征提取，提取到的工况特征为一维向量，在几何特征与工况特征融合中，需先将几何特征拉伸为一维向量(即重新排列成一维向量)，再与工况特征进行拼接操作。在升阻力预测模块中，融合特征经过三个全连接层来拟合升力与阻力，在升阻力预测网络的训练设置中，损失函数设置为：，其中，/>为CFD计算得到的升力，/>为预测的升力，/>为升力的损失权重，设为2，/>为CFD计算得到的阻力，/>为预测的阻力，/>为阻力的损失权重，设为0.5。激活函数为leaklyRule函数，优化器为Adam，学习率为0.0005，批处理大小为128，训练轮数为10000轮。
本实施例通过根据预设划分比例对所述目标数据集进行划分，得到训练集和验证集；根据所述训练集和所述验证集对初始升阻力预测模型中初始提取模块进行训练，得到训练提取模块；根据所述训练集和所述验证集对初始升阻力预测模型中初始拟合网络进行训练，得到训练拟合网络；根据所述训练提取模块、所述训练拟合网络以及目标特征模块得到训练升阻力预测模型；
基于所述训练升阻力预测模型得到目标升阻力预测模型。通过对目标数据集进行划分得到训练集和验证集，再根据训练集和验证集对初始提取模块、初始拟合网络进行训练，最后根据训练提取模块、训练拟合网络以及目标特征模块得到目标升阻力预测模型，实现了预测模型的完整性，提高了预测模型计算翼型升阻力的准确性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有翼型升阻力预测程序，所述翼型升阻力预测程序被处理器执行时实现如上文所述的翼型升阻力预测方法的步骤。
参照图7，图7为本发明翼型升阻力预测装置第一实施例的结构框图。
如图7所示，本发明实施例提出的翼型升阻力预测装置包括：
构建模块10，用于根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集。
训练模块20，用于根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型。
预测模块30，用于输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息。
本实施例通过根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集；根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型；输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息。通过各翼型形状和各翼型数据得到目标数据集，再根据目标数据集训练初始升阻力预测模型，得到目标升阻力预测模型，最后输入待预测翼型数据，得到翼型升阻力预测结果，提高了翼型升阻力的计算精度，实现了提高翼型升阻力计算的效率。
在一实施例中，所述构建模块10，还用于输入各工况的翼型工况数据至预设计算模型，得到初始数据集；
对所述初始数据集中各翼型形状进行编码，得到形状编码数据；
对所述初始数据集中各翼型数据进行归一化处理，得到归一化数据。
在一实施例中，所述训练模块20，还用于根据预设训练策略将各翼型形状的形状编码数据输入至初始卷积网络进行训练；
根据训练结果对所述初始卷积网络的网络参数进行调整；
根据调整结果得到目标卷积网络。
在一实施例中，所述训练模块20，还用于根据各翼型形状的形状编码数据和目标卷积网络进行模块构建，得到目标特征模块；
根据各翼型数据的归一化数据进行模块构建，得到初始提取模块；
根据所述目标特征模块、所述目标特征模块以及初始拟合网络，得到初始升阻力预测模型。
在一实施例中，所述训练模块20，还用于根据预设划分比例对所述目标数据集进行划分，得到训练集和验证集；
根据所述训练集和所述验证集对初始升阻力预测模型中初始提取模块进行训练，得到训练提取模块；
根据所述训练集和所述验证集对初始升阻力预测模型中初始拟合网络进行训练，得到训练拟合网络；
根据所述训练提取模块、所述训练拟合网络以及目标特征模块得到训练升阻力预测模型；
基于所述训练升阻力预测模型得到目标升阻力预测模型。
在一实施例中，所述训练模块20，还用于根据训练集对初始拟合网络进行训练；
根据训练结果和验证集对所述初始拟合网络的预测参数进行调整，得到调整拟合网络；
在调整拟合网络满足预设收敛条件时，根据调整拟合网络得到训练拟合网络。
在一实施例中，所述预测模块30，还用于获取待测翼型形状和待测翼型数据；
输入所述待测翼型形状至目标升阻力预测模型中目标特征模块进行几何特征提取，得到几何特征数据；
输入所述待测翼型数据至目标升阻力预测模型中训练提取模块进行工况特征提取，得到工况特征数据；
融合所述几何特征数据和工况特征数据，得到目标特征向量；
输入所述目标特征向量至目标升阻力预测模型中训练拟合网络，得到预测翼型信息。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种翼型升阻力预测方法，其特征在于，所述翼型升阻力预测方法包括：
根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集；
根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型，其中，训练过程分为卷积自编码训练阶段与升阻力预测网络训练阶段，卷积自编码训练阶段将目标数据集中的翼型二维矩阵经过三层的卷积层，得到特征向量，再通过三个反卷积层对特征向量进行上采样，得到大小一致的翼型形状矩阵，编码器与解码器中大小一致的特征图进行跳跃相加，定义卷积自编码的输出翼型二维矩阵，得到卷积自编码网络的损失函数，升阻力预测网络训练阶段将训练完成的卷积自编码的编码模块作为几何特征提取模块，将参数设置为无需训练，再构建工况特征提取模块与升阻力预测模块，在工况特征提取模块中，采用三个的全连接层进行特征提取，提取到的工况特征为一维向量，在几何特征与工况特征融合中，将几何特征拉伸为一维向量，再与工况特征进行拼接操作，在升阻力预测模块中，融合特征经过三个全连接层来拟合升力与阻力；
输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息。
2.如权利要求1所述的方法，其特征在于，所述根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集之前，还包括：
输入各工况的翼型工况数据至预设计算模型，得到初始数据集；
对所述初始数据集中各翼型形状进行编码，得到形状编码数据；
对所述初始数据集中各翼型数据进行归一化处理，得到归一化数据。
3.如权利要求1所述的方法，其特征在于，所述根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型之前，还包括：
根据预设训练策略将各翼型形状的形状编码数据输入至初始卷积网络进行训练；
根据训练结果对所述初始卷积网络的网络参数进行调整；
根据调整结果得到目标卷积网络。
4.如权利要求1所述的方法，其特征在于，所述根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型之前，还包括：
根据各翼型形状的形状编码数据和目标卷积网络进行模块构建，得到目标特征模块；
根据各翼型数据的归一化数据进行模块构建，得到初始提取模块；
根据所述目标特征模块、所述目标特征模块以及初始拟合网络，得到初始升阻力预测模型。
5.如权利要求1所述的方法，其特征在于，所述根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型，包括：
根据预设划分比例对所述目标数据集进行划分，得到训练集和验证集；
根据所述训练集和所述验证集对初始升阻力预测模型中初始提取模块进行训练，得到训练提取模块；
根据所述训练集和所述验证集对初始升阻力预测模型中初始拟合网络进行训练，得到训练拟合网络；
根据所述训练提取模块、所述训练拟合网络以及目标特征模块得到训练升阻力预测模型；
基于所述训练升阻力预测模型得到目标升阻力预测模型。
6.如权利要求5所述的方法，其特征在于，所述根据所述训练集和所述验证集对初始升阻力预测模型中初始拟合网络进行训练，得到训练拟合网络，包括：
根据训练集对初始拟合网络进行训练；
根据训练结果和验证集对所述初始拟合网络的预测参数进行调整，得到调整拟合网络；
在调整拟合网络满足预设收敛条件时，根据调整拟合网络得到训练拟合网络。
7.如权利要求1所述的方法，其特征在于，所述输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息，包括：
获取待测翼型形状和待测翼型数据；
输入所述待测翼型形状至目标升阻力预测模型中目标特征模块进行几何特征提取，得到几何特征数据；
输入所述待测翼型数据至目标升阻力预测模型中训练提取模块进行工况特征提取，得到工况特征数据；
融合所述几何特征数据和工况特征数据，得到目标特征向量；
输入所述目标特征向量至目标升阻力预测模型中训练拟合网络，得到预测翼型信息。
8.一种翼型升阻力预测装置，其特征在于，所述翼型升阻力预测装置包括：
构建模块，用于根据各翼型形状的形状编码数据和各翼型数据的归一化数据构建目标数据集；
训练模块，用于根据所述目标数据集对初始升阻力预测模型进行训练，得到目标升阻力预测模型，其中，训练过程分为卷积自编码训练阶段与升阻力预测网络训练阶段，卷积自编码训练阶段将目标数据集中的翼型二维矩阵经过三层的卷积层，得到特征向量，再通过三个反卷积层对特征向量进行上采样，得到大小一致的翼型形状矩阵，编码器与解码器中大小一致的特征图进行跳跃相加，定义卷积自编码的输出翼型二维矩阵，得到卷积自编码网络的损失函数，升阻力预测网络训练阶段将训练完成的卷积自编码的编码模块作为几何特征提取模块，将参数设置为无需训练，再构建工况特征提取模块与升阻力预测模块，在工况特征提取模块中，采用三个的全连接层进行特征提取，提取到的工况特征为一维向量，在几何特征与工况特征融合中，将几何特征拉伸为一维向量，再与工况特征进行拼接操作，在升阻力预测模块中，融合特征经过三个全连接层来拟合升力与阻力；
预测模块，用于输入待测翼型数据至所述目标升阻力预测模型，得到预测翼型信息。
9.一种翼型升阻力预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的翼型升阻力预测程序，所述翼型升阻力预测程序配置为实现如权利要求1至7中任一项所述的翼型升阻力预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有翼型升阻力预测程序，所述翼型升阻力预测程序被处理器执行时实现如权利要求1至7任一项所述的翼型升阻力预测方法的步骤。
CN202311650460.4A 2023-12-05 2023-12-05 翼型升阻力预测方法、装置、设备及存储介质 Active CN117350178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311650460.4A CN117350178B (zh) 2023-12-05 2023-12-05 翼型升阻力预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311650460.4A CN117350178B (zh) 2023-12-05 2023-12-05 翼型升阻力预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117350178A CN117350178A (zh) 2024-01-05
CN117350178B true CN117350178B (zh) 2024-04-02

Family

ID=89371488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311650460.4A Active CN117350178B (zh) 2023-12-05 2023-12-05 翼型升阻力预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117350178B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329359A (zh) * 2020-11-12 2021-02-05 天津工业大学 一种明冰条件下风力机翼型气动性能的神经网络预测方法
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法
CN115438584A (zh) * 2022-09-16 2022-12-06 西北工业大学 一种基于深度学习的翼型气动力预测方法
CN115758891A (zh) * 2022-11-22 2023-03-07 四川大学 基于Transformer解码器网络的翼型流场预测方法
CN115880497A (zh) * 2022-12-22 2023-03-31 上海交通大学 基于自编码器结合多层感知机的翼型结冰冰形预测方法
CN116186899A (zh) * 2023-02-09 2023-05-30 南方科技大学 数据驱动的超临界翼型压力分布预测方法、系统及介质
CN116561885A (zh) * 2023-02-09 2023-08-08 南方科技大学 数据驱动的超临界翼型及其流场的映射方法和系统
CN116628836A (zh) * 2023-02-09 2023-08-22 南方科技大学 数据驱动的超临界翼型性能预测方法、系统及介质
CN117077579A (zh) * 2023-10-17 2023-11-17 深圳十沣科技有限公司 翼型流场预测方法、装置、设备及存储介质
CN117150680A (zh) * 2023-09-15 2023-12-01 上海师范大学 一种基于深度学习和强化学习的翼型优化设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220100919A1 (en) * 2020-09-30 2022-03-31 General Electric Company Probabilistic fatigue and blend limit assessment and visualization methods for airfoils

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329359A (zh) * 2020-11-12 2021-02-05 天津工业大学 一种明冰条件下风力机翼型气动性能的神经网络预测方法
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法
CN115438584A (zh) * 2022-09-16 2022-12-06 西北工业大学 一种基于深度学习的翼型气动力预测方法
CN115758891A (zh) * 2022-11-22 2023-03-07 四川大学 基于Transformer解码器网络的翼型流场预测方法
CN115880497A (zh) * 2022-12-22 2023-03-31 上海交通大学 基于自编码器结合多层感知机的翼型结冰冰形预测方法
CN116186899A (zh) * 2023-02-09 2023-05-30 南方科技大学 数据驱动的超临界翼型压力分布预测方法、系统及介质
CN116561885A (zh) * 2023-02-09 2023-08-08 南方科技大学 数据驱动的超临界翼型及其流场的映射方法和系统
CN116628836A (zh) * 2023-02-09 2023-08-22 南方科技大学 数据驱动的超临界翼型性能预测方法、系统及介质
CN117150680A (zh) * 2023-09-15 2023-12-01 上海师范大学 一种基于深度学习和强化学习的翼型优化设计方法
CN117077579A (zh) * 2023-10-17 2023-11-17 深圳十沣科技有限公司 翼型流场预测方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于神经网络的翼型优化设计方法研究;朱莉;高正红;;航空计算技术;20070515(03);第37-40页 *
超临界翼型稳健型优化设计研究;白俊强;王波;孙智伟;张扬;;空气动力学学报(04);第61-65页 *

Also Published As

Publication number Publication date
CN117350178A (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
Xu et al. Multi-level convolutional autoencoder networks for parametric prediction of spatio-temporal dynamics
KR101880901B1 (ko) 기계 학습 방법 및 장치
CN110163261A (zh) 不平衡数据分类模型训练方法、装置、设备及存储介质
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
Huang et al. A provably convergent scheme for compressive sensing under random generative priors
CN114861890B (zh) 构建神经网络的方法、装置、计算设备及存储介质
CN113128671A (zh) 一种基于多模态机器学习的服务需求动态预测方法及系统
CN117077579B (zh) 翼型流场预测方法、装置、设备及存储介质
CN115758891A (zh) 基于Transformer解码器网络的翼型流场预测方法
CN114490065A (zh) 一种负载预测方法、装置及设备
CN107680044A (zh) 一种图像超分辨率卷积神经网络加速计算方法
CN114329900A (zh) 一种基于神经网络的器件参数获取方法、系统及相关组件
CN114565092A (zh) 一种神经网络结构确定方法及其装置
CN114064852A (zh) 自然语言的关系抽取方法、装置、电子设备和存储介质
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
WO2023212390A1 (en) Neural network methods
CN112949944A (zh) 一种基于时空特征的地下水位智能预测方法及系统
CN112613541A (zh) 目标检测方法及装置、存储介质及电子设备
CN118295029A (zh) 融合自注意力与Mamba架构的地震数据去噪方法
CN117854643B (zh) 一种基于图形神经网络的mems膜仿真方法及系统
CN117350178B (zh) 翼型升阻力预测方法、装置、设备及存储介质
JP2020155010A (ja) ニューラルネットワークのモデル縮約装置
CN111859785B (zh) 流体特征提取方法、系统、计算机可读存储介质及设备
CN116992607A (zh) 一种结构拓扑优化方法、系统及装置
CN116579408A (zh) 一种基于模型结构冗余度的模型剪枝方法及系统

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240926

Address after: Room 109-30, 3rd Floor, Production Building, Building 1, Wuda Science and Technology Park, No. 8 Wuda Yuan Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province 430000

Patentee after: Wuhan Shifeng Technology Co.,Ltd.

Country or region after: China

Address before: 518000 2301, building D1, Nanshan Zhiyuan, No. 1001, Xueyuan Avenue, Changyuan community, Taoyuan Street, Nanshan District, Shenzhen, Guangdong

Patentee before: Shenzhen Shifeng Technology Co.,Ltd.

Country or region before: China