[發明專利]一種基于深度學習的翼型流場快速預測方法

在審

• 申請號: 202110185855.6
• 申請日: 2021-02-12
• 公開（公告）號: CN112784508A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 孫迪;屈峰;王梓瑞;田潔華;白俊強
• 申請（專利權）人: 西北工業大學
• 主分類號: G06F30/28
• 分類號: G06F30/28;G06F30/27;G06N3/04;G06N3/08;G06F113/08;G06F119/14;G06F111/10
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 陳星

1.一種基于深度學習的翼型流場快速預測方法，其特征在于，包括以下步驟：

步驟1：生成搭建神經網絡需要的樣本數據集；

步驟2：基于樣本數據集搭建并訓練深度學習神經網絡模型；

步驟3：將搭建好的深度神經網絡用于翼型流場的快速預測。

2.根據權利要求1所述一種基于深度學習的翼型流場快速預測方法，其特征在于，

步驟1中生成搭建神經網絡需要的樣本數據集包括以下步驟：

步驟1.1：對基準翼型進行參數化，并在基準翼型上疊加擾動派生出新的翼型，得到一系列翼型樣本；

步驟1.2：生成翼型計算網格；通過坐標變換，將網格從物理空間映射到計算空間；對步驟1.1得到的翼型樣本進行CFD數值模擬，得到翼型樣本的流場參數；截取翼型近場流動參數變化明顯的網格區域內的翼型和流場參數作為各個翼型樣本的樣本數據集，用于神經網絡模型的訓練和測試。

3.根據權利要求2所述一種基于深度學習的翼型流場快速預測方法，其特征在于，

步驟1.1中，采用類別形狀函數變換方法對基準翼型進行參數化，并采用CST擾動方法，在基準翼型的CST方程設計參數上疊加擾動，派生出新的翼型，得到一系列翼型樣本。

4.根據權利要求3所述一種基于深度學習的翼型流場快速預測方法，其特征在于，

步驟1.2中，采用橢圓形偏微分方程生成翼型計算網格；通過坐標變換，將網格從物理空間映射到平面內為均勻矩形網格的計算空間；并截取以翼型幾何形心為圓心、翼型弦長為半徑的圓形網格區域內的翼型和流場參數作為各個翼型樣本的樣本數據集，用于神經網絡模型的訓練和測試。

5.根據權利要求4所述一種基于深度學習的翼型流場快速預測方法，其特征在于，

步驟2中，基于樣本數據集搭建并訓練深度學習神經網絡模型包括以下步驟：

步驟2.1：采用多層感知器神經網絡搭建深度學習神經網絡模型，以步驟1得到的樣本數據集中的翼型參數向量和網格點在計算空間中的坐標作為輸入，輸出為網格點的流場參數；

步驟2.2：訓練深度學習神經網絡：以流場參數的均方根誤差作為損失函數，利用Adam優化算法對神經網絡進行迭代優化，優化目標為損失函數最小，直至訓練樣本數據集的損失函數不再降低，完成訓練。

6.根據權利要求5所述一種基于深度學習的翼型流場快速預測方法，其特征在于，

步驟1.1中，翼型上下緣表面分別用9階型函數擬合，使用20個設計參數來描述翼型，每個設計參數的擾動范圍為±0.1，采用拉丁超立方取樣方法在設計空間提取1000個翼型作為翼型樣本。

7.根據權利要求6所述一種基于深度學習的翼型流場快速預測方法，其特征在于，步驟2.1中，輸入層含有22個參數，為步驟1得到的翼型參數向量和網格點在計算空間中的坐標(ξ，η，P₁，P₂,...,P₂₀)，其中，(ξ，η)為網格點在計算空間中的坐標，(P₁，P₂,...,P₂₀)為翼型參數向量。

8.根據權利要求7所述一種基于深度學習的翼型流場快速預測方法，其特征在于，步驟2.1中，隱藏層含有8層，神經元個數分別為200、400、800、800、800、800、800、400。

9.根據權利要求8所述一種基于深度學習的翼型流場快速預測方法，其特征在于，步驟2.1中，輸出層含有3個神經元，輸出為網格點的流場參數(P，u，v)，其中P表示壓強，u是x方向速度分量，v是z方向速度分量。