[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

本發明提出一種基于深度學習的翼型流場快速預測方法，包括生成樣本數據集；基于該數據集搭建深度學習神經網絡模型；將搭建好的深度神經網絡用于翼型流場的快速預測。本發明只截取了翼型近場流動參數變化明顯的網格用于神經網絡模型的訓練和測試，與現有技術相比，可以在保證流場特征提取和流場參數預測精度的同時，盡可能減少數據點數和時間耗費，提高效率；而且本發明搭建的多層感知器神經網絡模型，與現有技術相比，可以刻畫更復雜的非線性關系，提高翼型流場特征的分辨度，有助于對流場特征的精確識別。本發明旨在針對同一基準翼型衍生的系列翼型構造和訓練神經網絡，具有高度的針對性，從而能對同系列翼型流場進行快速、準確預測。

技術領域

本發明涉及計算流體力學領域和人工智能領域，具體是一種基于深度學習的翼型流場快速預測方法。

背景技術

翼型優化設計通常是對一基準翼型衍生出來的同系列翼型進行擇優。翼型優化設計方法從早期的風洞實驗，發展到計算流體力學(CFD)占主導地位，大大縮短了設計周期，但基于CFD技術的翼型優化過程存在大量流場計算問題，需要耗費大量的計算時間和資源。而翼型流場作為一個系統，必然有其自身特性，重復CFD計算忽略了這一點，降低了效率。深度學習對高階復雜函數有強大的學習能力，在特征提取方面具獨特優勢，可以進行快速、準確預測。利用深度學習技術搭建多層感知器(MLP)模型，將該模型應用到翼型流場的預測，可以大大減少時間成本和資源的耗費，是一種可行且具有廣泛應用前景的新思路。

發明內容

為了減小同一基準翼型下，翼型優化過程中的大量流場計算問題，本發明提出了一種基于深度學習的翼型流場快速預測方法。該方法可以高度提取翼型流場的特征，實現對翼型流場的快速、準確預測，大量減少計算時間和資源的耗費。

本發明的技術方案為：

所述一種基于深度學習的翼型流場快速預測方法，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。

進一步的，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。

進一步的，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。

進一步的，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。

進一步的，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。