CN117421997A - 翼型流场信息的确定方法、装置、终端设备及存储介质 - Google Patents

翼型流场信息的确定方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN117421997A
CN117421997A CN202311722971.2A CN202311722971A CN117421997A CN 117421997 A CN117421997 A CN 117421997A CN 202311722971 A CN202311722971 A CN 202311722971A CN 117421997 A CN117421997 A CN 117421997A
Authority
CN
China
Prior art keywords
flow field
field information
determining
airfoil
target
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
CN202311722971.2A
Other languages
English (en)
Inventor
宋超
刘红阳
刘文君
蓝庆生
罗骁
王浩
周铸
肖明昊
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.)
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Computational Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202311722971.2A priority Critical patent/CN117421997A/zh
Publication of CN117421997A publication Critical patent/CN117421997A/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]
    • G06F30/20—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
    • G06N3/04—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
    • G06N3/08—Learning methods
    • 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)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本申请公开了翼型流场信息的确定方法、装置、终端设备和存储介质，通过获取目标翼型的目标气动外形参数；根据预先训练好的变分自编码模型，确定与目标气动外形参数对应目标流场信息，其中，预先训练好的变分自编码模型是采用气动外形参数和与气动外形参数对应的流场信息，对初始变分模型进行训练后得到的，本申请实施例利用变分自编码模型，一种深度生成模型，建立了流场信息的快速预测方法，可用于气动外形表面流场信息，如压力分布、摩阻分布的快速预测，并用于气动外形高效率设计。

Description

翼型流场信息的确定方法、装置、终端设备及存储介质
技术领域
本申请属于气动参数技术领域，尤其涉及一种翼型流场信息的确定方法、装置、终端设备及存储介质。
背景技术
随着人们对飞行器的性能要求日益提高，气动布局设计与优化日益受到重视。然而，由于空气动力学的复杂性，采用现有计算流体力学（CFD）方法确定飞行器的气动特性高度依赖于高精度数值模拟，需要大量计算能力和处理时间。气动优化寻优算法，通过融合多种精度的代理模型和降阶模型进行搜索以提高优化的时间效率。常规模型遭遇维度灾难等问题，随着设计问题复杂度的上升，计算成本仍然不可接受。基于机器学习设计方法由于具有强大的归纳能力，在气动布局优化设计领域提供了新的发展方向。
以机器学习为代表的各种智能方法已延伸到飞行器气动、强度、结构设计等各个方面，极大地优化了设计效率和效果。但是现有技术中并没有采用机器学习来提取翼型流场信息的低维结构并实现流场信息快速预测的技术方案。
发明内容
本申请意在提供一种翼型流场信息的确定方法、装置、终端设备和存储介质，以解决现有技术中存在的不足，本申请要解决的技术问题通过以下技术方案来实现。
第一个方面，本申请实施例提供一种翼型流场信息的确定方法，所述方法包括：
获取目标翼型的目标气动外形参数；
根据预先训练好的变分自编码模型，确定与所述目标气动外形参数对应目标流场信息，其中，所述预先训练好的变分自编码模型是采用气动外形参数和与所述气动外形参数对应的流场信息，对初始变分模型进行训练后得到的。
可选地，所述初始变分模型包括编码器和解码器，所述编码器为两层全连接神经网络。
可选地，所述变分自编码模型通过如下方式获得：
获取样本训练数据，其中，所述样本训练数据至少包括气动外形参数和与所述气动外形参数对应的流场信息；
根据所述气动外形参数，通过CFD算法，得到与所述气动外形参数对应的预设流场信息；
根据所述样本训练数据，对所述初始变分模型进行训练，得到训练后的流场信息；
若所述训练后的流场信息和所述预设流场信息的差值小于预设值时，将与所述训练后的流场信息对应的初始变分模型，确定为所述变分自编码模型。
可选地，所述根据所述样本训练数据，对所述初始变分模型进行训练，得到训练后的流场信息，包括：
将高维空间的样本训练数据映射到低维空间中，建立高维空间和低维空间的对应关系；
在低维空间中取样，利用解码器得到预测的气动外形参数与对应的流场信息。
可选地，所述获取样本训练数据，包括：
对于二维翼型，采用型函数-类函数参数化方法进行参数化；
每次采样从标准正态分布中采取一个样本训练数据，得到所述气动外形参数和与所述气动外形参数对应的流场信息。
第二个方面，本申请实施例提供一种翼型流场信息的确定装置，所述装置包括：
获取模块，用于获取目标翼型的目标气动外形参数；
确定模块，用于根据预先训练好的变分自编码模型，确定与所述目标气动外形参数对应目标流场信息，其中，所述预先训练好的变分自编码模型是采用气动外形参数和与所述气动外形参数对应的流场信息，对初始变分模型进行训练后得到的。
可选地，所述初始变分模型包括编码器和解码器，所述编码器为两层全连接神经网络。
可选地，所述确定模块还用于：
获取样本训练数据，其中，所述样本训练数据至少包括气动外形参数和与所述气动外形参数对应的流场信息；
根据所述气动外形参数，通过CFD算法，得到与所述气动外形参数对应的预设流场信息；
根据所述样本训练数据，对所述初始变分模型进行训练，得到训练后的流场信息；
若所述训练后的流场信息和所述预设流场信息的差值小于预设值时，将与所述训练后的流场信息对应的初始变分模型，确定为所述变分自编码模型。
可选地，所述确定模块用于：
将高维空间的样本训练数据映射到低维空间中，建立高维空间和低维空间的对应关系；
在低维空间中取样，并通过解码器，得到预测的气动外形参数及对应的流场信息。
可选地，所述获取模块用于：
对于二维翼型，采用型函数-类函数参数化方法进行参数化；
每次采样从标准正态分布中采取一个样本训练数据，得到所述气动外形参数和与所述气动外形参数对应的流场信息。
第三个方面，本申请实施例提供一种终端设备，包括：至少一个处理器和存储器；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现第一个方面提供的翼型流场信息的确定方法。
第四个方面，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现第一个方面提供的翼型流场信息的确定方法。
本申请实施例包括以下优点：
本申请实施例提供的翼型流场信息的确定方法、装置、终端设备和存储介质，通过获取目标翼型的目标气动外形参数；根据预先训练好的变分自编码模型，确定与目标气动外形参数对应目标流场信息，其中，预先训练好的变分自编码模型是采用气动外形参数和与气动外形参数对应的流场信息，对初始变分模型进行训练后得到的，本申请实施例利用变分自编码模型，一种深度网络模型，建立了流场信息的快速预测方法，可用于气动外形表面流场信息，如压力分布、摩阻分布的快速预测，并用于气动外形高效率设计。
附图说明
为了更清楚地说明本申请实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例中一种翼型流场信息的确定方法的流程图；
图2为本申请一实施例中变分自编码器结构示意图；
图3为本申请一实施例中又一种翼型流场信息的确定方法的流程图；
图4为本申请一实施例中翼型压力分布设计结果示意图；
图5为本申请一实施例中设计翼型与基准翼型对比示意图；
图6是本申请的一种翼型流场信息的确定装置实施例的结构框图；
图7是本申请的一种终端设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
名词解释：
计算流体力学：Computational Fluid Dynamics，简称为CFD，作为一门利用数值方法和计算机技术求解流体力学方程获得流动规律和解决问题的学科，涉及到计算几何、流体动力学、偏微分方程的数学理论、数值分析等各个方面，揭示流动的规律和现象，其研究的目的可以大幅度降低设计成本、缩短研制周期的同时，还能提供更丰富的流场信息。
流场：某一时刻气流运动的空间分布。
解算器：基于数值计算方法，编写的求解流动控制方程的程序。
本申请一实施例提供一种翼型流场信息的确定方法，用于对翼型的流场信息进行预测。本实施例的执行主体为翼型流场信息的确定装置，设置在终端设备上，例如，终端设备至少包括计算机终端等。
参照图1，示出了本申请的一种翼型流场信息的确定方法实施例的步骤流程图，该方法具体可以包括如下步骤：
S101、获取目标翼型的目标气动外形参数；
具体地，终端设备获取不同类型的翼型，例如，基准翼型选为NACA2412，设计状态为；通过本发明实施例可以获取翼型的目标气动外形参数，从而根据目标气动外形参数确定流场信息。
选定基准气动外形，采用参数化方法描述气动外形。对于二维翼型，可采用型函数-类函数参数化方法进行参数化，选定设计变量的个数为，给定设计变量的上下范围，由此确定设计空间。在设计空间中进行抽样，获得气动外形参数化的样本X=[x 1,x 2,x 3,...,x n]T，以及对应的气动外形数据S=[S1,S2,S3,…,Sn]T
S102、根据预先训练好的变分自编码模型，确定与目标气动外形参数对应目标流场信息，其中，预先训练好的变分自编码模型是采用气动外形参数和与气动外形参数对应的流场信息，对初始变分模型进行训练后得到的。
具体地，深度学习相对于传统机器学习利用了更加复杂和深层次的模型结构，并在训练过程上进行了针对性的改进，使其归纳能力得到了极大的提升，应用范围也更加广阔。机器学习作为先进的计算技术，与气动外形数值优化有天然的融通点，机器学习已经正在气动外形设计领域发挥越来越重要的作用。借助机器学习的数据分析与建模方法，深入发掘设计规律并指导气动外形优化设计，对于突破传统方法设计瓶颈，提高气动外形设计效率，提高设计品质具有重要作用。本发明实施例中采用深度学习，训练变分自编码模型，将气动外形表面外形参数化变量与对应的流场信息，如表面压力分布，作为变分自编码器的高维数据集。将数据集划分为训练集和测试集，以重构误差和隐空间正则化之和为损失函数，建立深度学习模型训练框架。选取在测试集上表现良好的模型参数。将模型参数保存以供气动布局设计分析环节使用。在全局优化算法框架下，调用变分自编码器的解码器，实现快速预测气动外形流场信息及气动外形，全局优化算法实现高效率寻优，不需要在优化过程中调用流场求解器，迅速找到期望的气动外形。
本发明利用变分自编码即变分自编码模型，一种深度生成模型，建立了流场信息的快速预测方法，可用于气动外形表面流场信息，如压力分布、摩阻分布的快速预测，并用于气动外形高效率设计。
本申请实施例提供的翼型流场信息的确定方法，通过获取目标翼型的目标气动外形参数；根据预先训练好的变分自编码模型，确定与目标气动外形参数对应目标流场信息，其中，预先训练好的变分自编码模型是采用气动外形参数和与气动外形参数对应的流场信息，对初始变分模型进行训练后得到的，本申请实施例利用变分自编码模型，一种深度生成模型，建立了流场信息的快速预测方法，可用于气动外形表面流场信息，如压力分布、摩阻分布的快速预测，并用于气动外形高效率设计。
本申请又一实施例对上述实施例提供的翼型流场信息的确定方法做进一步补充说明。
可选地，初始变分模型包括编码器和解码器，编码器为两层全连接神经网络。
图2为本申请一实施例中变分自编码器结构示意图，如图2所示，变分自编码模型通过如下方式获得：
获取样本训练数据，其中，样本训练数据至少包括气动外形参数和与气动外形参数对应的流场信息；
根据气动外形参数，通过CFD算法，得到与气动外形参数对应的预设流场信息；
根据样本训练数据，对初始变分模型进行训练，得到训练后的流场信息；
若训练后的流场信息和预设流场信息的差值小于预设值时，将与训练后的流场信息对应的初始变分模型，确定为变分自编码模型。
可选地，根据样本训练数据，对初始变分模型进行训练，得到训练后的流场信息，包括：
将高维空间的样本训练数据映射到低维空间中，建立高维空间和低维空间的对应关系；
在低维空间中取样，并通过解码器，得到预测的气动外形参数及对应的流场信息。
可选地，获取样本训练数据，包括：
对于二维翼型，采用型函数-类函数参数化方法进行参数化；
每次采样从标准正态分布中采取一个样本训练数据，得到气动外形参数和与气动外形参数对应的流场信息。
图3为本申请一实施例中又一种翼型流场信息的确定方法的流程图，
本发明解决其技术问题所采用的技术方案包括以下步骤：
1、选定基准气动外形，采用参数化方法描述气动外形。对于二维翼型，可采用型函数-类函数参数化方法进行参数化，选定设计变量的个数为，给定设计变量的上下范围，由此确定设计空间。在设计空间中进行抽样，获得气动外形参数化的样本X=[x1,x2,x3,...,xn]T，以及对应的气动外形数据S=[S1,S2,S3,…,Sn]T。
2、根据气动外形数据，调用流场求解器，计算得到气动外形对应的流场，获取需要快速预测的流场信息，如表面压力分布Y=[Cp1,Cp2,Cp3,...,Cpn]T。
建立由n个设计变量样本X=[x1,x2,x3,...,xn]T和对应的气动外形压力分布Y=[Cp1,Cp2,Cp3,...,Cpn]T组成的高维数据X=[X1,X2,X3,...,Xn]T，其中Xi=[xi,Cpi]T。将高维数据划分为训练集和测试集，分别记为Xtrain和Xtest。
3、定义变分自编码器的结构。变分自编码器分为编码器和解码器两部分。编码器为两层全连接神经网络，假设输入的用户表征向量为x，中间的隐藏层用h表示。编码器的结构如下：
（1）
激活函数f选为ReLU函数。其中代表网络参数。
同编码器的结构类似，隐藏层同样采用ReLU激活函数：
（2）
其中z采用重参数化方法进行采样，即不直接从中采样，而是引入一个新的随机变量/>，从而将采样z重写为/>。每次采样从标准正态分布中采一个样本，便可得到对应的采样z，采用重参数化解决了神经网络模型参数不可导的问题，从而使其能像训练普通神经网络一样使用随机梯度下降训练变分自编码器。
4、气动外形优化设计。经过训练的变分自编码器能够将隐空间设计变量映射到高维空间，包含设计变量与气动压力分布数据。利用遗传算法等全局优化设计方法，在低维空间寻优。遗传算法在隐空间产生低维度种群，通过变分自编码器的解码器，得到对应的气动外形设计变量和压力分布数据。给定期望的目标压力分布，计算解码器预测的压力分布与目标压力分布的差异，获得优化目标函数值。优化算法驱动整个设计流程，直到找到与目标压力分布最为吻合的压力分布及其气动外形。
本发明实施例提供的变分自编码器能够实现高精度的目标压力分布预测，实现了高效率的目标压力分布预测，避免频繁调用流场求解器；目标压力分布不要求具有实际物理意义，也不要求给定外形完整的压力分布数据，设计目标给定十分灵活，大大降低了设计难度。变分自编码器将高维变量映射到低维隐空间，优化算法在隐空间进行寻优，变量维度极大降低，由于优化算法种群数目与优化变量直接相关，种群数目急剧降低，优化效率进一步提升。
本发明所提供的翼型流场信息的确定方法的具体执行流程如图3所示，通过翼型优化设计对该方法进行了验证。这里以NACA低速翼型设计为例进行具体实例进行说明。
基准翼型选为NACA2412，设计状态为，压力分布通过流场求解器求解得到。为验证方法的有效性，给出目标压力分布形态如图4所示。在算法得到最优解之后，利用求解器进行验证。具体实施步骤如下：
步骤1：采用实验设计方法取1000个样本点，通过类函数-型函数参数化方法对NACA2412翼型进行参数化，翼型通过14个设计变量描述，通过流场求解器计算得到翼型压力分布，翼型压力分布共有161个点描述。高维数据空间维度为设计变量数目与压力分布点数之和，为175。
步骤2：根据步骤1得到的训练数据，构建变分自编码器模型，并进行训练，获得高维空间与隐空间之间的映射关系，隐空间维度取为2。
步骤3：给定目标压力分布，如图4中点画线所示。定义目标压力分布与模型预测获得的压力分布之间的误差。
步骤4：利用遗传算法在步骤2中生成的隐空间中寻优。遗传算法的种群数目取为20，迭代步数取为30步。
步骤5：利用流场求解器对步骤4中获得寻优结果进行验证，若满足设计要求则结束，不满足则更新目标压力分布或更新训练数据集。
图4给出了NACA2412翼型形状及其压力分布，以及输入的目标压力分布、求解器验证得到的实际压力分布。给出的目标压力分布是设计者关心的局部压力分布，不需要给出绕翼型一周的完整压力分布，也不要求压力分布是真实存在的。给出的目标压力分布约在上翼面20%~60%弦长位置处。从翼型压力分布反设计的结果来看，设计得到的压力分布很好地趋近于目标压力分布，达到了设计预期。证明了设计方法的有效性。图5给出了设计翼型与基准翼型的对比，在获得设计压力分布的同时，也获得了对应的气动外形。通过流场求解器验证设计翼型的压力分布，结果同样在图4中给出，与变分自编码器预测的压力分布吻合良好，验证了自编码器的预测精度。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
本申请实施例提供的翼型流场信息的确定方法，通过获取目标翼型的目标气动外形参数；根据预先训练好的变分自编码模型，确定与目标气动外形参数对应目标流场信息，其中，预先训练好的变分自编码模型是采用气动外形参数和与气动外形参数对应的流场信息，对初始变分模型进行训练后得到的，本申请实施例利用变分自编码模型，一种深度生成模型，建立了流场信息的快速预测方法，可用于气动外形表面流场信息，如压力分布、摩阻分布的快速预测，并用于气动外形高效率设计。
本申请另一实施例提供一种翼型流场信息的确定装置，用于执行上述实施例提供的翼型流场信息的确定方法。
参照图6，示出了本申请的一种翼型流场信息的确定装置实施例的结构框图，该装置具体可以包括如下模块：获取模块601和确定模块602，其中：
获取模块601用于获取目标翼型的目标气动外形参数；
确定模块602用于根据预先训练好的变分自编码模型，确定与目标气动外形参数对应目标流场信息，其中，预先训练好的变分自编码模型是采用气动外形参数和与气动外形参数对应的流场信息，对初始变分模型进行训练后得到的。
本申请实施例提供的翼型流场信息的确定装置，通过获取目标翼型的目标气动外形参数；根据预先训练好的变分自编码模型，确定与目标气动外形参数对应目标流场信息，其中，预先训练好的变分自编码模型是采用气动外形参数和与气动外形参数对应的流场信息，对初始变分模型进行训练后得到的，本申请实施例利用变分自编码模型，一种深度生成模型，建立了流场信息的快速预测方法，可用于气动外形表面流场信息，如压力分布、摩阻分布的快速预测，并用于气动外形高效率设计。
本申请又一实施例对上述实施例提供的翼型流场信息的确定装置做进一步补充说明。
可选地，初始变分模型包括编码器和解码器，编码器为两层全连接神经网络。
可选地，确定模块还用于：
获取样本训练数据，其中，样本训练数据至少包括气动外形参数和与气动外形参数对应的流场信息；
根据气动外形参数，通过CFD算法，得到与气动外形参数对应的预设流场信息；
根据样本训练数据，对初始变分模型进行训练，得到训练后的流场信息；
若训练后的流场信息和预设流场信息的差值小于预设值时，将与训练后的流场信息对应的初始变分模型，确定为变分自编码模型。
可选地，确定模块用于：
将高维空间的样本训练数据映射到低维空间中，建立高维空间和低维空间的对应关系；
在低维空间中取样，并通过解码器，得到预测的气动外形参数及对应的流场信息。
可选地，获取模块用于：
对于二维翼型，采用型函数-类函数参数化方法进行参数化；
每次采样从标准正态分布中采取一个样本训练数据，得到气动外形参数和与气动外形参数对应的流场信息。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的翼型流场信息的确定装置，通过获取目标翼型的目标气动外形参数；根据预先训练好的变分自编码模型，确定与目标气动外形参数对应目标流场信息，其中，预先训练好的变分自编码模型是采用气动外形参数和与气动外形参数对应的流场信息，对初始变分模型进行训练后得到的，本申请实施例利用变分自编码模型，一种深度生成模型，建立了流场信息的快速预测方法，可用于气动外形表面流场信息，如压力分布、摩阻分布的快速预测，并用于气动外形高效率设计。
本申请再一实施例提供一种终端设备，用于执行上述实施例提供的翼型流场信息的确定方法。
图7是本申请的一种终端设备的结构示意图，如图7所示，该终端设备包括：至少一个处理器701和存储器702；
存储器存储计算机程序；至少一个处理器执行存储器存储的计算机程序，以实现上述实施例提供的翼型流场信息的确定方法。
本实施例提供的终端设备，通过获取目标翼型的目标气动外形参数；根据预先训练好的变分自编码模型，确定与目标气动外形参数对应目标流场信息，其中，预先训练好的变分自编码模型是采用气动外形参数和与气动外形参数对应的流场信息，对初始变分模型进行训练后得到的，本申请实施例利用变分自编码模型，一种深度生成模型，建立了流场信息的快速预测方法，可用于气动外形表面流场信息，如压力分布、摩阻分布的快速预测，并用于气动外形高效率设计。
本申请又一实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，计算机程序被执行时实现上述任一实施例提供的翼型流场信息的确定方法。
根据本实施例的计算机可读存储介质，通过获取目标翼型的目标气动外形参数；根据预先训练好的变分自编码模型，确定与目标气动外形参数对应目标流场信息，其中，预先训练好的变分自编码模型是采用气动外形参数和与气动外形参数对应的流场信息，对初始变分模型进行训练后得到的，本申请实施例利用变分自编码模型，一种深度生成模型，建立了流场信息的快速预测方法，可用于气动外形表面流场信息，如压力分布、摩阻分布的快速预测，并用于气动外形高效率设计。
应该指出，上述详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语均具有与本申请所属技术领域的普通技术人员的通常理解所相同的含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位，如旋转90度或处于其他方位，并且对这里所使用的空间相对描述作出相应解释。
在上面详细的说明中，参考了附图，附图形成本文的一部分。在附图中，类似的符号典型地确定类似的部件，除非上下文以其他方式指明。在详细的说明书、附图及权利要求书中所描述的图示说明的实施方案不意味是限制性的。在不脱离本文所呈现的主题的精神或范围下，其他实施方案可以被使用，并且可以作其他改变。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种翼型流场信息的确定方法，其特征在于，所述方法包括：
获取目标翼型的目标气动外形参数；
根据预先训练好的变分自编码模型，确定与所述目标气动外形参数对应目标流场信息，其中，所述预先训练好的变分自编码模型是采用气动外形参数和与所述气动外形参数对应的流场信息，对初始变分模型进行训练后得到的。
2.根据权利要求1所述的翼型流场信息的确定方法，其特征在于，所述初始变分模型包括编码器和解码器，所述编码器为两层全连接神经网络。
3.根据权利要求2所述的翼型流场信息的确定方法，其特征在于，所述变分自编码模型通过如下方式获得：
获取样本训练数据，其中，所述样本训练数据至少包括气动外形参数和与所述气动外形参数对应的流场信息；
根据所述气动外形参数，通过CFD算法，得到与所述气动外形参数对应的预设流场信息；
根据所述样本训练数据，对所述初始变分模型进行训练，得到训练后的流场信息；
若所述训练后的流场信息和所述预设流场信息的差值小于预设值时，将与所述训练后的流场信息对应的初始变分模型，确定为所述变分自编码模型。
4.根据权利要求3所述的翼型流场信息的确定方法，其特征在于，所述根据所述样本训练数据，对所述初始变分模型进行训练，得到训练后的流场信息，包括：
将高维空间的样本训练数据映射到低维空间中，建立高维空间和低维空间的对应关系；
在低维空间中取样，并通过解码器，得到预测的气动外形参数及对应的流场信息。
5.根据权利要求3所述的翼型流场信息的确定方法，其特征在于，所述获取样本训练数据，包括：
对于二维翼型，采用型函数-类函数参数化方法进行参数化；
每次采样从标准正态分布中采取一个样本训练数据，得到所述气动外形参数和与所述气动外形参数对应的流场信息。
6.一种翼型流场信息的确定装置，其特征在于，所述装置包括：
获取模块，用于获取目标翼型的目标气动外形参数；
确定模块，用于根据预先训练好的变分自编码模型，确定与所述目标气动外形参数对应目标流场信息，其中，所述预先训练好的变分自编码模型是采用气动外形参数和与所述气动外形参数对应的流场信息，对初始变分模型进行训练后得到的。
7.根据权利要求6所述的翼型流场信息的确定装置，其特征在于，所述初始变分模型包括编码器和解码器，所述编码器为两层全连接神经网络。
8.根据权利要求7所述的翼型流场信息的确定装置，其特征在于，所述确定模块还用于：
获取样本训练数据，其中，所述样本训练数据至少包括气动外形参数和与所述气动外形参数对应的流场信息；
根据所述气动外形参数，通过CFD算法，得到与所述气动外形参数对应的预设流场信息；
根据所述样本训练数据，对所述初始变分模型进行训练，得到训练后的流场信息；
若所述训练后的流场信息和所述预设流场信息的差值小于预设值时，将与所述训练后的流场信息对应的初始变分模型，确定为所述变分自编码模型。
9.一种终端设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现权利要求1-5中任一项所述的翼型流场信息的确定方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-5中任一项所述的翼型流场信息的确定方法。
CN202311722971.2A 2023-12-15 2023-12-15 翼型流场信息的确定方法、装置、终端设备及存储介质 Pending CN117421997A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311722971.2A CN117421997A (zh) 2023-12-15 2023-12-15 翼型流场信息的确定方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311722971.2A CN117421997A (zh) 2023-12-15 2023-12-15 翼型流场信息的确定方法、装置、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN117421997A true CN117421997A (zh) 2024-01-19

Family

ID=89530469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311722971.2A Pending CN117421997A (zh) 2023-12-15 2023-12-15 翼型流场信息的确定方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN117421997A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046712A (zh) * 2019-04-04 2019-07-23 天津科技大学 基于生成模型的隐空间模型化策略搜索学习方法
CN113268818A (zh) * 2021-07-19 2021-08-17 中国空气动力研究与发展中心计算空气动力研究所 基于生成拓扑映射的气动全局优化方法、存储介质及终端
CN114077771A (zh) * 2022-01-07 2022-02-22 中国空气动力研究与发展中心计算空气动力研究所 气动外形反设计方法
CN114638048A (zh) * 2022-01-30 2022-06-17 清华大学 三维喷管流场快速预测与敏感性参数分析方法及装置
CN115034152A (zh) * 2022-05-17 2022-09-09 浙江大学 一种数据驱动的流固耦合系统非线性降阶预测方法及装置
CN115795683A (zh) * 2022-12-08 2023-03-14 四川大学 一种融合CNN和Swin Transformer网络的翼型优化方法
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046712A (zh) * 2019-04-04 2019-07-23 天津科技大学 基于生成模型的隐空间模型化策略搜索学习方法
CN113268818A (zh) * 2021-07-19 2021-08-17 中国空气动力研究与发展中心计算空气动力研究所 基于生成拓扑映射的气动全局优化方法、存储介质及终端
CN114077771A (zh) * 2022-01-07 2022-02-22 中国空气动力研究与发展中心计算空气动力研究所 气动外形反设计方法
CN114638048A (zh) * 2022-01-30 2022-06-17 清华大学 三维喷管流场快速预测与敏感性参数分析方法及装置
CN115034152A (zh) * 2022-05-17 2022-09-09 浙江大学 一种数据驱动的流固耦合系统非线性降阶预测方法及装置
CN115795683A (zh) * 2022-12-08 2023-03-14 四川大学 一种融合CNN和Swin Transformer网络的翼型优化方法
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 (1)

* Cited by examiner, † Cited by third party
Title
宋超 等: "基于生成拓扑映射的气动外形反设计方法研究", 《西北工业大学学报》, vol. 40, no. 4, 15 August 2022 (2022-08-15), pages 837 - 844 *

Similar Documents

Publication Publication Date Title
CN107563067A (zh) 基于自适应代理模型的结构可靠性分析方法
CN111325664B (zh) 风格迁移方法、装置、存储介质及电子设备
US20040148145A1 (en) System and method of interactively generating a family of mesh models
WO2018088965A1 (en) Multi-material optimization for 4d printing of active rod structures
CN105718629A (zh) 一种满足工程约束条件的变型设计方法
US20210295167A1 (en) Generative networks for physics based simulations
Sieger et al. On shape deformation techniques for simulation-based design optimization
JP5969837B2 (ja) 性能予測装置、性能予測方法、及びプログラム
Saurabh et al. Industrial scale Large Eddy Simulations with adaptive octree meshes using immersogeometric analysis
CN112414668B (zh) 一种风洞试验数据静气弹修正方法、装置、设备及介质
CN114297779A (zh) 一种飞行器气动力系数快速预测方法、系统及设备
CN107204040A (zh) 多点地质统计学建模方法及装置、计算机存储介质
CN109063418A (zh) 疾病预测分类器的确定方法、装置、设备及可读存储介质
CN103177165A (zh) 客车车身结构设计系统、客车侧翻仿真测试系统及方法
Balan et al. A review and comparison of error estimators for anisotropic mesh adaptation for flow simulations
CN112800690B (zh) 一种基于群智能优化算法下的水下折展机构参数优化方法
CN117421997A (zh) 翼型流场信息的确定方法、装置、终端设备及存储介质
CN110047145B (zh) 基于深度学习和有限元建模的组织变形模拟系统及方法
CN111832610A (zh) 一种3d打印组织预测的方法、系统、介质以及终端设备
CN110704944A (zh) 一种面向变弯度翼型的参数化建模方法
CN110795877B (zh) 一种基于流固耦合的受电弓作动电机扭矩补偿量计算方法
CN113272813B (zh) 定制数据流硬件模拟仿真方法、装置、设备及存储介质
CN107704664A (zh) 一种基于疲劳折算的安全系数计算方法、装置及电子设备
CN108921276B (zh) 一种力流导向的装备轻量化仿生方法及系统
Díaz et al. Deep Learning combined with singular value decomposition to reconstruct databases in fluid dynamics

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