CN118133430A - 基于生成式扩散模型的飞行器气动电磁耦合设计方法 - Google Patents
基于生成式扩散模型的飞行器气动电磁耦合设计方法 Download PDFInfo
- Publication number
- CN118133430A CN118133430A CN202410450684.9A CN202410450684A CN118133430A CN 118133430 A CN118133430 A CN 118133430A CN 202410450684 A CN202410450684 A CN 202410450684A CN 118133430 A CN118133430 A CN 118133430A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- design
- model
- aerodynamic
- pneumatic
- 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
- 238000013461 design Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000009792 diffusion process Methods 0.000 title claims abstract description 40
- 230000008878 coupling Effects 0.000 title claims abstract description 33
- 238000010168 coupling process Methods 0.000 title claims abstract description 33
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000010355 oscillation Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
本发明提出一种基于生成式扩散模型的飞行器气动电磁耦合设计方法，包括如下步骤：步骤S1：确定优化状态、优化目标和约束；步骤S2：选择基准外形，对基准飞行器外形进行参数化，确定设计变量、设计空间，并抽取样本；步骤S3：对样本点开展气动隐身性能计算，获得样本气动隐身数据集；步骤S4：构建生成式扩散模型；步骤S5：采用生成式扩散模型对样本气动隐身数据集和气动布局数据集进行训练，获得飞行器气动电磁耦合设计模型并验证其可靠性；步骤S6：采用飞行器气动电磁耦合设计模型在设计空间中进行反设计，获得目标外形。本发明够使反设计的样本要求标准大大降低，从而能够高效、高精度地设计出满足高维、多目标气动隐身性能参数的飞行器外形。
Description
技术领域
本发明涉及飞行器设计技术领域，具体的为一种基于生成式扩散模型的飞行器气动电磁耦合设计方法。
背景技术
随着航空技术的飞速发展，对飞行器性能要求越来越高，飞行器的设计需要在气动、隐身多学科要求下进行。为了解决高气动性能和高隐身性能之间的矛盾点，设计人员广泛采用各种方法对飞行器进行气动隐身一体化设计，以实现更高的性能水平。
目前，主要采用基于智能优化算法和代理模型的气动隐身优化设计方法对飞行器进行气动电磁耦合设计，取得了相应的效果，但飞行器反设计依旧是一种常规且实用的设计方式。结合人工智能与飞行器设计的效果能够大大改善传统代理模型的设计弊端。目前已经有很多案例将人工智能与飞行器反设计相结合，常用的生成式模型例如条件对抗生成网络以及变分自编码器等网络已经得到了较深入的研究，但依旧存在设计目标范围狭窄，训练计算量大，设计效率较低的问题。由于生成式扩散模型是通过模拟加噪噪声再通过去噪过程来间接预测设计目标，因此相对比于上述的生成式模型具有设计目标范围更大，外形结果更多样化，精度更高，设计效率大大提升的性质。
发明内容
为了解决现有技术中存在的上述问题，本发明提出一种基于生成式扩散模型的飞行器气动电磁耦合设计方法，通过探究前向传播步数、学习率、批尺寸对神经网络模型的影响，构建能够直接针对飞行器外形高效地进行气动电磁耦合设计的生成式扩散模型，并能获得良好的设计结果。
本发明通过以下技术方案来实现：
一种基于生成式扩散模型的飞行器气动电磁耦合设计方法，包括以下步骤：
步骤S1：根据飞行器气动电磁耦合设计具体问题，确定设计状态和设计目标；
步骤S2：选择基准飞行器外形，围绕基准飞行器外形生成网格，对基准飞行器外形进行参数化，确定设计变量、设计空间，并在设计空间中抽样，获得样本；
步骤S3：对步骤S2中获得的飞行器外形样本，开展气动外形隐身性能计算，获得样本的气动隐身数据集；
步骤S4：通过探究前向传播步数、学习率、批尺寸对神经网络模型的影响，构建生成式扩散模型，并用生成式扩散模型预测飞行器的外形布局参数获得飞行器气动布局数据集；
步骤S5：采用步骤S4中构建的生成式扩散模型对步骤S3中获得的样本气动隐身数据集以及飞行器气动布局数据集进行训练，获得飞行器气动电磁耦合设计模型并验证其可靠性；
步骤S6：根据步骤S1中确定的设计状态和设计目标，采用基于步骤S5获得的飞行器气动电磁耦合设计模型在设计空间中进行反设计，获得达到设计目标需求的飞行器外形。
进一步的，所述步骤S1中的优化目标包括：升力目标、阻力目标、俯仰力矩目标、雷达散射截面面积目标。
进一步的，所述步骤S3包含以下子步骤：
步骤S31：基于RANS方法，对样本内的飞行器外形进行气动特性数值计算，存储设计变量及计算所得的气动数据，获得样本点的气动数据集；所述气动数据包含升力系数、阻力系数、俯仰力矩系数；
步骤S32：基于矩量法，对样本内的飞行器外形进行隐身计算，将计算所得的隐身数据添加到步骤S31获得的样本点的气动数据集，获得样本点的气动隐身数据集；所述隐身数据为雷达散射截面面积。
进一步的，所述步骤S4中构建的生成式扩散模型包括：前向加噪训练过程和反向去噪采样过程；所述前向加噪训练过程为采用类Unet网络为基础的网络架构模型，用于生成无限接近纯高斯噪声的目标噪声；反向去噪采样过程用于生成飞行器的外形布局参数。
进一步的，所述步骤S5中验证气动电磁耦合设计模型的可靠性评估指标为平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)；具体定义如下：
平均绝对误差(MAE)的定义为：
平均绝对百分比误差(MAPE)的定义为：
均方根误差(RMSE)的定义为：
其中，N为数据点数量，yi和分别为真实值和模型预测值。评估标准为MAE、MAPE、RMSE越接近于0，说明模型的预测能力越好。
进一步的，本发明还提供一种计算机设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当所述计算机设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令时用于实现所述基于混合条件生成对抗网络的飞行器气动电磁耦合优化设计方法。
进一步的，本发明还提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被计算机运行时用于实现所述基于混合条件生成对抗网络的飞行器气动电磁耦合优化设计方法。
有益效果
本发明提供一种基于生成式扩散模型的飞行器气动电磁耦合设计方法，本发明通过探究前向传播步数、学习率、批尺寸对神经网络模型的影响，构建一种生成式扩散模型，该模型基于去噪扩散理论，通过一个类Unet网络对设计变量进行前向传播加噪得到近似纯高斯噪声，再模拟加噪噪声进行反向传播去噪过程来获得外形参数解，且相比于其他生成式模型能够得到设计目标范围更广，结果更多样化的飞行器外形，使反设计的样本要求标准大大降低，从而能够高效、高精度地设计出满足高维、多目标气动隐身性能参数的飞行器外形，进而能够直接针对飞行器任务目标高效地进行飞行器的气动电磁耦合设计。
附图说明
图1为本发明实施例飞行器外形气动电磁耦合设计方法的流程图；
图2为本发明实施例的CST参数站位及设计变量示意图；
图3为本发明实施例获取样本相应数据的流程图；
图4为本发明实施例训练网络结构示意图；
图5为本发明实施例提供的前向传播步数(T)对模型的影响示意图；
图6为本发明实施例提供的学习率(lr)对模型的损失影响示意图；
图7为本发明实施例提供的批尺寸(bs)对模型的损失影响示意图；
图8为本发明实施例提供的随机翼型预测结果对比示意图；
图9为本发明实施例提供的case1设计情况下的设计结果示意图；
其中，图9(a)为翼型压力系数云图；图9(b)为翼形气动布局示意图；图9(c)为翼型表面压力系数分布曲线，图9(d)为TM雷达散射图；
图10为本发明实施例提供的case2设计情况下的设计结果示意图；
其中，图10(a)为翼型压力系数云图；图10(b)为翼形气动布局示意图；图10(c)为翼型表面压力系数分布曲线，图10(d)为TM雷达散射图；
具体实施方式
为了使本发明所解决的技术问题、技术方案和有益效果更加清楚明白，使本技术领域的人员更好地理解本发明方案，以下结合附图和实施例，对本发明进一步详细说明和完整描述。应当理解，此处所述的具体实施例仅用于解释本发明，并不用于限定本发明。
如图1所示，本实施例利用本发明提出的基于生成式扩散模型的飞行器气动电磁耦合设计方法，针对翼型开展外形设计，包括如下步骤：
步骤S1：根据翼型气动隐身设计具体问题，确定工作状态、设计目标；
本实施例中，设计状态为Ma＝0.5，AOA＝4°，设计目标为4个，4个目标函数具体为：
升力目标函数，即如下目标函数：
其中，CL为升力系数，L表示升力，V为来流速度，S表示参考面积；
阻力目标函数，即如下目标函数：
其中，CD为阻力系数，D表示阻力，V为来流速度，S表示参考面积；
俯仰力矩目标函数，即如下目标函数：
其中，Cm为俯仰力矩系数，ρ表示空气密度，V表示空速，Sw表示机翼面积，ca表示平均气动弦长；
水平极化TM波入射雷达散射面积目最小，即如下目标函数取极小值：
其中，上标s表示散射场，i表示入射场，E表示电场，R表示目标到雷达接收机的距离。
步骤S2：选择基准飞行器外形，围绕基准飞行器外形生成网格，对基准飞行器外形进行参数化，确定设计变量、设计空间，并在设计空间中抽样，获得样本；
在本实施例中，具体为，选择NACA2424作为基准飞行器外形，采用扰动CST参数化方法对翼型进行参数化处理，CST基函数形式为：B(x)＝C(x)·S(x)，其中类函数C(x)＝xN1·(1-x)N2用于定义几何外形，N1和N2是控制类函数特征的参数，具体取值：N1＝0.5，N2＝1；形函数用于详细描述外形的几何特征，其基函数N的具体取值：N＝4；系数Ai即为设计变量，针对本实施例中的NACA0024翼型，一共采用10个设计变量，上下表面各5个，其中A0～A4用于描述上表面外形，A5～A9用于描述下表面外形，参数站位如图2所示，设计变量范围取：±0.04，形成设计空间；然后在设计空间内采用拉丁超立方抽样，获得5000不同的飞行器外形样本；
通过改变设计变量对表面网格施加变形扰动，从而实现变形得到新外形的表面网格，继而采用径向基函数(Radial Basis Function，RBF)-无限插值(Trans-finiteInterpolation，TFI)网格变形方法，基于新外形的表面网格对空间网格进行插值变形，得到新外形的CFD计算网格；
步骤S3：对步骤S2中获得的飞行器外形样本，开展气动外形隐身性能计算，获得样本的气动隐身数据集；如图3所示，具体又包括如下子步骤：
步骤S31：基于RANS方法，对样本内的飞行器外形进行气动计算，存储设计变量及计算所得的气动数据，获得样本点的气动数据集；所述气动数据包含升力系数、阻力系数、升阻比；本实施例中，采用自研CFD求解器来计算翼型气动性能，具体过程为：流场控制方程采用RANS方程，采用S-A一方程湍流模型封闭方程组，空间离散采用Roe格式，时间推进采用LU-SGS隐式格式；
步骤S32：基于矩量法，对样本内的翼型进行隐身计算，将计算所得的隐身数据添加到步骤S31获得的样本点的气动数据集，获得样本点的气动隐身数据集；所述隐身数据包含水平极化TM波入射雷达散射面积。
步骤S4：通过探究前向传播步数、学习率、批尺寸对神经网络模型的影响，构建生成式扩散模型，并用生成式扩散模型预测飞行器的外形布局参数获得飞行器气动布局数据集；
在本实施例中，所述生成式扩散模型包括：前向加噪训练过程和反向去噪采样过程；所述前向加噪训练过程为采用类Unet网络为基础的网络架构模型，用于生成无限接近纯高斯噪声的目标噪声；反向去噪采样过程用于生成飞行器的外形布局参数；具体构建过程如下：
将模型的传播链看作是一个马尔科夫链，通过求解马尔科夫链的条件概率分布获得任一时刻的结果，在前向过程中，其传播公式如下：
其中xt是任意时刻的状态，xt-1是其前一时刻的状态，βt是高斯分布方差的超参数，x0是初始时刻状态。令αt＝1-βt，最终通过贝叶斯公式和重参数化得到关于最后时刻和初始时刻的条件概率表达式为：
在该传播过程中，随着时间的增大，该时刻的状态越来越接近纯噪声，当时间趋于无穷大时，变为完全的高斯噪声状态。
对于反向传播过程，通过贝叶斯公式得到条件概率表达式如下：
其中N表示重参数化后t-1时刻相对于最终时刻和初始时刻的高斯概率分布,表示均值；/>表示方差。
然而整个扩散模型的网络训练的并不是条件概率的直接结果，而是通过训练损失去模拟反向过程，最终得到近似的条件概率。要训练扩散模型的损失，就是要去最小化负对数似然。其表达式如下：
L＝Eq[-log pθ(x0)]
其中pθ(x0)表示实际的初始时刻概率，L表示一个常数，并不会随着训练过程发生改变。接着在此基础上两边同时加上一个KL散度，由此得到反向过程下一时刻的L，表达式如下：
通过以下变换去建立模型的损失函数：
其中，ε～N(0,Ι)。由于上式必须需要Xt才能预测μθ，所以通过以下方式参数化去构建μθ与X0之间的关系：
其中εθ表示一个从Xt预测ε的函数。最后将上式代入前式可以化简为以下公式：
至此，就获得了扩散模型关于反向传播噪声的训练损失函数最终通过建立的网络可以对需要的数据样本进行预测。
本实施例中，如图4所示，所述生成式扩散模型采用的网络结构是以类Unet网络为基础的网络架构模型，其详细配置如表1和表2所示。编码部分采用卷积层和最大池化层，解码部分采用卷积层，同时加入了注意力机制；由于为了降低网络训练时的梯度，在每层除输出层和最大池化层外，均采用ReLU函数作为隐藏层的非线性激活函数，由于数据已经经过了归一化处理，所以使用ReLU函数能够在模型训练中有效地缓解梯度消失问题；损失函数采用模型自己的损失函数；模型的权重计算基于梯度下降思想，即:
其中ω为权重，α为学习率，loss为损失函数。
在优化器选择方面，采用结合RMSProp和Momentum两种优化算法的思想的Adam优化器，同时调整初始学习率为1e-4。相比传统的随机梯度下降方法，Adam优化器可以根据历史梯度信息来自适应地调节学习率，使得在训练初期使用较大的学习率，能够快速收敛，在训练后期使用较小的学习率，能够更加准确地找到损失函数的最小值。
表1
表2
前向传播步数(T)对扩散模型的损失(loss)的影响如图5所示，从图中结果可以得出，在前向传播步数为1000时，模型的loss表现出明显的锯齿状振荡。相比于前向传播步数为2000和3000时，模型的loss收敛速度较慢。而当前向传播速度为2000时，虽然也有锯齿状振荡，但是明显幅度变小，且明显小于传播步数为3000时。收敛速度也较为相近。因此总体来看，增加前向传播步数有利于模型loss更块达到平衡状态，缩小loss的振荡幅值，稳定模型的训练。
学习率(lr)对模型的损失(loss)的影响如图6所示，从图中结果可以看出，在学习率为1e-3时，参数更新的幅值过大，造成模型不能收敛；在学习率为1e-5时，参数更新的幅值较小，模型训练稳定，但是收敛较慢，收敛步数明显大于学习率为1e-4时；在学习率为1e-4时，模型loss收敛稳定，收敛速度适中。因此总体来看，过大过小的学习率均不利于模型的训练，在实际模型的训练中，需要针对特定的数据样本调节学习率，使得模型具有较快的收敛速度和较好的稳定性。
批尺寸(bs)对于模型的损失(loss)的影响如图7所示，从图中结果可以得出，bs为50时，模型的loss表现出较快的收敛速度、较小的振荡特点；在bs为100时模型仍能收敛，但当bs为200时，模型的loss并未收敛，最终表现出梯度爆炸，loss急剧增大的情况。
步骤S5：采用步骤S4中构建的生成式扩散模型对步骤S3中获得的样本气动隐身数据集进行训练，获得气动隐身代理模型并验证其可靠性；
在本实施例中，验证气动隐身代理模型的可靠性评估指标为平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)；具体定义如下：
平均绝对误差(MAE)的定义为：
平均绝对百分比误差(MAPE)的定义为：
均方根误差(RMSE)的定义为：
其中，N为数据点数量，yi和分别为真实值和模型预测值。评估标准为MAE、MAPE、RMSE越接近于0，说明模型的预测能力越好。
在本实施例中，将5000个样本的数据随机分为90％的训练集、10％的测试集，前向传播步数T确定为2000，学习率确定为1e-4，批尺寸确定为50；模型的预测性能如表3所示，从表中可见，三个性能指标平均绝对百分比误差均小于5％，可以说预测出的飞行器外形参数已经初步达到了设计要求。图8为从测试集中随机抽取的样本翼型预测结果对比。从图中可以看出，预测的翼型与原翼型拟合度非常高。
表3模型预测性能
步骤S6：根据步骤S1中确定的设计状态和设计目标，采用基于步骤S5获得的飞行器气动电磁耦合设计模型在设计空间中进行反设计，获得达到设计目标需求的飞行器外形。
在本实施例中，根据NACA0024在规定设计状态下的升阻力系数以及俯仰力矩系数确定了2个具体的设计目标，分别是case1和case2，如表4所示，由于在规定状态下，NACA0024的升力系数为0.4N，阻力系数为0.0155N，俯仰力矩系数为-0.023N·m,TM波为-6.2368709dBsm，所以确定的两个设计目标中case1为输入升力系数为0.3N，阻力系数为0.015N，俯仰力矩系数为-0.02N·m，TM波为-6dBsm；而case2为输入升力系数为0.5N，阻力系数为0.016N，俯仰力矩系数为-0.03N·m，TM波为-6.5dBsm；由此可以在需求的设计目标下选取相似的初始翼型，以达到反设计的需求。
表4具体的设计目标情况
case1的设计结果如图9所示，经由扩散模型反设计之后，图9(a),(b),(c),(d)分别表示case1的压力系数云图,翼型形状,压力系数分布图以及TM雷达散射图。表5给出了case1设计后与设计目标的结果对比，可以看出，设计出的结果中，升力系数误差5％，阻力系数误差2％，俯仰力矩系数误差7％，TM波的误差为1.9％,达到了设计要求。
表5case1的设计结果对比
case2的设计结果如图10所示，经由扩散模型反设计之后，图10(a),(b),(c),(d)分别表示case2的压力系数云图,翼型形状,压力系数分布图以及TM雷达散射图。表6给出了case2设计后与设计目标的结果对比，可以看出，设计出的结果中，升力系数误差3％，阻力系数误差3.7％，俯仰力矩系数误差2.3％，TM波的误差1.9％,同样达到了设计要求。
表6case2的设计结果对比
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.基于生成式扩散模型的飞行器气动电磁耦合设计方法，其特征在于，包括如下步骤：
步骤S1：根据飞行器气动电磁耦合设计具体问题，确定设计状态和设计目标；
步骤S2：选择基准飞行器外形，围绕基准飞行器外形生成网格，对基准飞行器外形进行参数化，确定设计变量、设计空间，并在设计空间中抽样，获得样本；
步骤S3：对步骤S2中获得的飞行器外形样本，开展气动外形隐身性能计算，获得样本的气动隐身数据集；
步骤S4：通过探究前向传播步数、学习率、批尺寸对神经网络模型的影响，构建生成式扩散模型，并用生成式扩散模型预测飞行器的外形布局参数获得飞行器气动布局数据集；
步骤S5：采用步骤S4中构建的生成式扩散模型对步骤S3中获得的样本气动隐身数据集以及飞行器气动布局数据集进行训练，获得飞行器气动电磁耦合设计模型并验证其可靠性；
步骤S6：根据步骤S1中确定的设计状态和设计目标，采用基于步骤S5获得的飞行器气动电磁耦合设计模型在设计空间中进行反设计，获得达到设计目标需求的飞行器外形。
2.根据权利要求1所述基于生成式扩散模型的飞行器气动电磁耦合设计方法，其特征在于，所述步骤S1中的优化目标包括：升力目标、阻力目标、俯仰力矩目标、雷达散射截面面积目标。
3.根据权利要求1所述基于生成式扩散模型的飞行器气动电磁耦合设计方法，其特征在于，所述步骤S3包含以下子步骤：
步骤S31：基于RANS方法，对样本内的飞行器外形进行气动特性数值计算，存储设计变量及计算所得的气动数据，获得样本点的气动数据集；所述气动数据包含升力系数、阻力系数、俯仰力矩系数；
步骤S32：基于矩量法，对样本内的飞行器外形进行隐身计算，将计算所得的隐身数据添加到步骤S31获得的样本点的气动数据集，获得样本点的气动隐身数据集；所述隐身数据为雷达散射截面面积。
4.根据权利要求1所述基于生成式扩散模型的飞行器气动电磁耦合设计方法，其特征在于，所述步骤S4中构建的生成式扩散模型包括：前向加噪训练过程和反向去噪采样过程；所述前向加噪训练过程为采用Unet网络为基础的网络架构模型，用于生成无限接近纯高斯噪声的目标噪声；反向去噪采样过程用于生成飞行器的外形布局参数。
5.根据权利要求1所述基于生成式扩散模型的飞行器气动电磁耦合设计方法，其特征在于，所述步骤S5中验证气动电磁耦合设计模型的可靠性评估指标为平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)；具体定义如下：
平均绝对误差(MAE)的定义为：
平均绝对百分比误差(MAPE)的定义为：
均方根误差(RMSE)的定义为：
其中，N为数据点数量，yi和分别为真实值和模型预测值。
6.一种计算机设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，其特征在于：当所述计算机设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令时用于实现权利要求1至权利要求5任一所述方法。
7.一种计算机可读存储介质，所述存储介质上存储有计算机程序，其特征在于：所述计算机程序被计算机运行时用于实现权利要求1至权利要求5任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410450684.9A CN118133430A (zh) | 2024-04-15 | 2024-04-15 | 基于生成式扩散模型的飞行器气动电磁耦合设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410450684.9A CN118133430A (zh) | 2024-04-15 | 2024-04-15 | 基于生成式扩散模型的飞行器气动电磁耦合设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118133430A true CN118133430A (zh) | 2024-06-04 |
Family
ID=91231787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410450684.9A Pending CN118133430A (zh) | 2024-04-15 | 2024-04-15 | 基于生成式扩散模型的飞行器气动电磁耦合设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118133430A (zh) |
-
2024
- 2024-04-15 CN CN202410450684.9A patent/CN118133430A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7191161B1 (en) | Method for constructing composite response surfaces by combining neural networks with polynominal interpolation or estimation techniques | |
| Li et al. | Learning the aerodynamic design of supercritical airfoils through deep reinforcement learning | |
| Ataei et al. | Non-linear control of an uncertain hypersonic aircraft model using robust sum-of-squares method | |
| CN112232493A (zh) | 一种基于改进鲸鱼算法的rbf神经网络优化方法 | |
| CN113240069A (zh) | 一种基于改进哈里斯鹰算法的rbf神经网络优化方法 | |
| CN114859899B (zh) | 移动机器人导航避障的演员-评论家稳定性强化学习方法 | |
| Sasaki et al. | Aerodynamic Optimization of an Over‐the‐Wing‐Nacelle‐Mount Configuration | |
| CN114330644A (zh) | 一种基于结构搜索和通道剪枝的神经网络模型压缩方法 | |
| Zhang et al. | Research on bulbous bow optimization based on the improved PSO algorithm | |
| Huang et al. | Aerodynamic multi-objective integrated optimization based on principal component analysis | |
| Glaws et al. | Invertible neural networks for airfoil design | |
| Saad et al. | A new kriging–bat algorithm for solving computationally expensive black-box global optimization problems | |
| 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 | |
| Peng et al. | Multi-fidelity nonlinear unsteady aerodynamic modeling and uncertainty estimation based on Hierarchical Kriging | |
| Jung et al. | An implementation of self-organizing maps for airfoil design exploration via multi-objective optimization technique | |
| CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
| CN118133430A (zh) | 基于生成式扩散模型的飞行器气动电磁耦合设计方法 | |
| CN103761567A (zh) | 一种基于贝叶斯估计的小波神经网络权值初始化方法 | |
| Jin et al. | Deep learning for airfoil aerodynamic-electromagnetic coupling optimization with random forest | |
| CN115994481A (zh) | 基于多组合的船舶运动姿态预测方法 | |
| CN116628854A (zh) | 一种翼型气动特性预测方法、系统、电子设备及存储介质 | |
| Ban et al. | Development of efficient global optimization method for discontinuous optimization problems with infeasible regions using classification method | |
| Barrett et al. | Airfoil shape design and optimization using multifidelity analysis and embedded inverse design | |
| Chen et al. | Airfoil optimization of land-yacht robot based on hybrid PSO and GA | |
| CN114021492A (zh) | 一种基于神经网络的超临界翼型抖振优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |