[發明專利]一種基于深度學習的多精度優化算法實現氣動優化設計的方法

有效

• 申請號: 202010382040.2
• 申請日: 2020-05-08
• 公開（公告）號: CN111597698B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 張鑫帥;季廷煒;謝芳芳;朱灶旭;鄭耀
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F30/15;G06N3/04;G06N3/08;G06F111/10
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發明提供一種基于深度學習的多精度優化算法實現氣動優化設計的方法，通過利用多精度深度神經網絡結合并行加點方法來實現復雜的氣動外形優化設計。該多精度深度神經網絡(MFDNN)可以在不需要任何先驗知識的情況下，自適應地學習低精度數據集和高精度數據集之間的線性關系或者非線性關系。同時利用PSO對代理模型進行全局尋優，找到當前最優解用于高精度數據集的更新樣本點提高代理模型的優化精度；對于低精度數據集則通過求取樣本點之間的歐氏距離來衡量樣本點之間的距離，對缺乏樣本點位置進行更新，從而生成在整個設計域中分布均勻的樣本點。該方法通用性好，實現簡單，應用該方法進行飛行器氣動外形優化設計，飛行器的氣動性能有顯著的提升。

技術領域

本發明涉及一種基于深度學習的多精度優化算法實現氣動優化設計的方法，可以高效地對翼型或者整機進行氣動外形優化設計，屬于全局優化算法技術和飛行器外形設計領域。

背景技術

隨著飛行器優化設計技術的發展，使用優化算法和CFD(Computational FluidDynamics)計算技術獲得了長足的發展。CFD計算受限于計算機硬件，使得CFD計算的速度難以提升。故研究者主要關注在優化算法效率的提升，目前針對飛行器氣動優化設計的方法主要包括：基于梯度的優化方法、基于無梯度智能優化方法和基于代理模型的優化方法。

其中代理模型不需要梯度信息，目標函數計算次數相對于無梯度優化算法有大幅度減少，且具有一定的全局優化能力等優點在復雜工程優化問題中廣泛應用。基于代理模型的優化方法主要由兩部分組成：代理模型和加點準則。對于代理模型，由于高精度的CFD計算會花費大量的時間，使得傳統的單精度代理模型的優化速度難以提升。故目前通過引入一些低精度的計算結果來提高代理模型的精度受到了眾多研究者的關注。

目前主要采用的多精度代理模型為Co-Kriging模型，該模型通過引入假設：高精度數據和低精度數據之間為線性關系，且該線性關系的比例系數服從高斯分布來進行多精度建模。但是在實際的工程優化問題中，我們無法明確得知高低精度數據之間的關系，通過引入這樣的先驗假設可能會遇到問題。故本發明采用一種新型的代理模型多精度深度神經網絡對多精度進行建模，該代理模型不需要任何先驗知識，可以自適應地學習高低精度樣本數據集之間的線性或者非線性關系。對于加點準則，多精度優化使得我們存在兩個數據集：高精度數據集和低精度數據集，高精度數據集用來尋找最優解，故在迭代過程中利用粒子群(PSO)算法來尋找代理模型的最優解，并將該最優解作為每一次迭代的高精度更新的樣本點；低精度數據集用于捕捉到整個設計域中響應面的峰、谷等一些復雜變化，避免優化陷入局部最優，故對缺少樣本點的位置進行低精度樣本點更新。其中高精度數據集和低精度數據集的加點方法利用計算機多核并行能力進行并行計算加點。該發明提出的多精度優化方法相較于傳統的單精度優化算法在氣動優化設計中具有更好的優化效果和優化效率。

發明內容

本發明針對傳統基于代理模型氣動優化設計方法的局限性，提出了一種基于深度神經的多精度優化算法實現氣動優化設計的方法。該方法可以在無先驗知識的情況下，進行多精度建模。相比較單精度優化方法，本發明提出的方法具有更好的優化效果和優化效率。本發明還具有良好的通用性和可擴展性，實現方便簡潔。

為了達到上述目的，本發明采用的技術思路如下：

步驟S1：采用拉丁超立方取樣(LHS)從機翼設計空間中生成樣本點并進行歸一化處理，歸一化后分別組成高精度訓練數據集X_hi和低精度訓練數據集X_lo；其中，所述機翼設計空間包括機翼剖面形狀的幾何參數和機翼平面形狀的幾何參數，每個參數的邊界值為該參數對應的待優化機翼基準模型的基準值±擾動值，所述擾動值不大于基準值的百分之10。生成的每個樣本點包括機翼剖面形狀的幾何參數和機翼平面形狀的幾何參數，共同表示一個飛行器機翼的幾何外形。其中，減少高精度數據點數量，可以有效節約計算時間；

步驟S2，并行計算高精度數據集和低精度數據集的氣動力系數，其中，和分別表示高精度數據集和低精度數據集的所需優化的一個或多個氣動力系數；