[發明專利]基于神經網絡的飛行器氣動外形優化方法、裝置及介質

在審

• 申請號: 202210344429.7
• 申請日: 2022-03-31
• 公開（公告）號: CN114676639A
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 武頻;袁雯琰;劉志濤;許立基
• 申請（專利權）人: 上海大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F119/14;G06F111/04;G06F113/28
• 代理公司: 北京卓勝佰達知識產權代理有限公司 16026
• 代理人: 劉冬梅

1.一種基于神經網絡的飛行器氣動外形優化方法，其特征在于，所述方法包括：

步驟S100：基于現有飛行器外形數據庫，通過WGAN-div模型構建飛行器外形數據庫；

步驟S200：訓練卷積神經網絡以完成飛行器外形設計到外形參數的轉換；

步驟S300：訓練MMoE-3D模型去預測由生成器生成的飛行器的氣動數據，所述MMoE-3D模型的輸出由兩組模型構成，分別代表亞聲速模型和超聲速模型；

步驟S400：初始化DE算法的種群生成第一種群；

步驟S500：將生成的第一種群輸入WGAN-div模型的生成器，獲得飛行器外形設計；

步驟S600：通過卷積神經網絡將飛行器外形設計轉換為外形參數；

步驟S700：將飛行器外形參數、坐標信息和飛行條件輸入MMoE-3D模型，并通過所述MMoE-3D模型計算優化的目標值；

步驟S800：種群變異生成新的種群；

步驟S900：重復步驟S500-S800，輸出優化的飛行器外形，并驗證所述優化的飛行器外形是否滿足要求，在不滿足要求的情況下，返回步驟S300并擴充訓練數據集以調整所述MMoE-3D模型。

2.根據權利要求1所述的方法，其特征在于，所述基于現有飛行器外形數據庫，通過WGAN-div模型利用如下公式(1)和公式(2)構建飛行器外形數據庫：

G＝g(z，θ) 公式(1)

z～N(0，1)，z∈(-3，3) 公式(2)

其中，G代表WGAN-div模型的飛行器外形生成器，z代表截斷正態分布的潛在向量，θ代表所述飛行器外形生成器中的超參數。

3.根據權利要求1所述的方法，其特征在于，通過如下公式(3)訓練卷積神經網絡以完成飛行器外形設計到外形參數的轉換：

其中，C代表飛行器外形設計和外形參數之間的關系，ε代表卷積神經網絡參數。

4.根據權利要求1所述的方法，其特征在于，通過如下公式(4)訓練MMoE-3D模型去預測由生成器生成的飛行器的氣動數據：

其中，M代表氣動數據和飛行器外形的潛在非線性關系，代表M的預測值,a代表坐標信息，c代表飛行條件，∈代表卷積神經網絡參數。

5.根據權利要求1-4任一項所述的方法，其特征在于，通過如下公式(5)驗證所述優化的飛行器外形是否滿足要求：

其中，F是優化的目標函數，C代表飛行器外形設計和外形參數之間的關系，z代表截斷正態分布的潛在向量，θ代表所述飛行器外形生成器中的超參數。

6.根據權利要求5所述的方法，其特征在于，所述優化的目標函數F表示為：

其中，w₁是升力與阻力值的權重，設置為2/7，w₂是阻力項的權重，設置為1/7，w₃是與壓力中心變化率函數的相關權重，設置為4/7。

7.一種基于神經網絡的飛行器氣動外形優化裝置，其特征在于，所述裝置包括處理器，所述處理器被配置為：

基于現有飛行器外形數據庫，通過WGAN-div模型構建飛行器外形數據庫；

訓練卷積神經網絡以完成飛行器外形設計到外形參數的轉換；

訓練MMoE-3D模型去預測由生成器生成的飛行器的氣動數據，所述MMoE-3D模型的輸出由兩組模型構成，分別代表亞聲速模型和超聲速模型；

初始化DE算法的種群生成第一種群；

將生成的第一種群輸入WGAN-div模型的生成器，獲得飛行器外形設計；

通過卷積神經網絡將飛行器外形設計轉換為外形參數；

將飛行器外形參數、坐標信息和飛行條件輸入MMoE-3D模型，并通過所述MMoE-3D模型計算優化的目標值；

種群變異生成新的種群；

將新的種群作為WGAN-div模型的生成器的輸入，輸出優化的飛行器外形，并驗證所述優化的飛行器外形是否滿足要求，在不滿足要求的情況下，擴充訓練數據集以調整所述MMoE-3D模型。