[发明专利]一种基于深度学习的翼型流场快速预测方法

说明书

本发明提出一种基于深度学习的翼型流场快速预测方法，包括生成样本数据集；基于该数据集搭建深度学习神经网络模型；将搭建好的深度神经网络用于翼型流场的快速预测。本发明只截取了翼型近场流动参数变化明显的网格用于神经网络模型的训练和测试，与现有技术相比，可以在保证流场特征提取和流场参数预测精度的同时，尽可能减少数据点数和时间耗费，提高效率；而且本发明搭建的多层感知器神经网络模型，与现有技术相比，可以刻画更复杂的非线性关系，提高翼型流场特征的分辨度，有助于对流场特征的精确识别。本发明旨在针对同一基准翼型衍生的系列翼型构造和训练神经网络，具有高度的针对性，从而能对同系列翼型流场进行快速、准确预测。

技术领域

本发明涉及计算流体力学领域和人工智能领域，具体是一种基于深度学习的翼型流场快速预测方法。

背景技术

翼型优化设计通常是对一基准翼型衍生出来的同系列翼型进行择优。翼型优化设计方法从早期的风洞实验，发展到计算流体力学(CFD)占主导地位，大大缩短了设计周期，但基于CFD技术的翼型优化过程存在大量流场计算问题，需要耗费大量的计算时间和资源。而翼型流场作为一个系统，必然有其自身特性，重复CFD计算忽略了这一点，降低了效率。深度学习对高阶复杂函数有强大的学习能力，在特征提取方面具独特优势，可以进行快速、准确预测。利用深度学习技术搭建多层感知器(MLP)模型，将该模型应用到翼型流场的预测，可以大大减少时间成本和资源的耗费，是一种可行且具有广泛应用前景的新思路。

发明内容

为了减小同一基准翼型下，翼型优化过程中的大量流场计算问题，本发明提出了一种基于深度学习的翼型流场快速预测方法。该方法可以高度提取翼型流场的特征，实现对翼型流场的快速、准确预测，大量减少计算时间和资源的耗费。

本发明的技术方案为：

所述一种基于深度学习的翼型流场快速预测方法，包括以下步骤：

步骤1：生成搭建神经网络需要的样本数据集；

步骤2：基于样本数据集搭建并训练深度学习神经网络模型；

步骤3：将搭建好的深度神经网络用于翼型流场的快速预测。

进一步的，步骤1中生成搭建神经网络需要的样本数据集包括以下步骤：

步骤1.1：对基准翼型进行参数化，并在基准翼型上叠加扰动派生出新的翼型，得到一系列翼型样本；

步骤1.2：生成翼型计算网格；通过坐标变换，将网格从物理空间映射到计算空间；对步骤1.1得到的翼型样本进行CFD数值模拟，得到翼型样本的流场参数；截取翼型近场流动参数变化明显的网格区域内的翼型和流场参数作为各个翼型样本的样本数据集，用于神经网络模型的训练和测试。

进一步的，步骤1.1中，采用类别形状函数变换方法对基准翼型进行参数化，并采用CST扰动方法，在基准翼型的CST方程设计参数上叠加扰动，派生出新的翼型，得到一系列翼型样本。

进一步的，步骤1.2中，采用椭圆形偏微分方程生成翼型计算网格；通过坐标变换，将网格从物理空间映射到平面内为均匀矩形网格的计算空间；并截取以翼型几何形心为圆心、翼型弦长为半径的圆形网格区域内的翼型和流场参数作为各个翼型样本的样本数据集，用于神经网络模型的训练和测试。

进一步的，步骤2中，基于样本数据集搭建并训练深度学习神经网络模型包括以下步骤：

步骤2.1：采用多层感知器神经网络搭建深度学习神经网络模型，以步骤1得到的样本数据集中的翼型参数向量和网格点在计算空间中的坐标作为输入，输出为网格点的流场参数；

步骤2.2：训练深度学习神经网络：以流场参数的均方根误差作为损失函数，利用Adam优化算法对神经网络进行迭代优化，优化目标为损失函数最小，直至训练样本数据集的损失函数不再降低，完成训练。