[发明专利]一种基于DCCGAN的高超声速飞行器流热固耦合物理场求解方法

权利要求书

1.一种基于DCCGAN的高超声速飞行器流热固耦合物理场求解方法，包括以下步骤：

S1：利用CFD软件对不同工况下和不同初始网格下的流热固耦合物理场进行批处理求解，导出计算得到的形变位移数据和真实分布式气动力数据作为离线数据集；

S2：构建以工况为条件信息的DCCGAN0模型，用于生成工况对应的分布式气动力数据；

S3：训练DCCGAN模型，利用生成器模型G0生成的分布式气动力数据与真实分布式气动力数据的误差以及判别器模型D0输出的结果用来引导网络模型学习；

S4：构建以不同初始网格为条件信息的DCCGAN1模型，用于生成不同初始网格对应的形变位移数据和分布式气动力数据。

2.根据权利要求1所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述形变位移数据按节点序号存储到(N，N，3)的三维张量中，所述分布式气动力数据按节点序号存储到(N，N，1)的三维张量中，其中N²大于网格节点数。

3.根据权利要求1所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述步骤S2包括：对工况采取独热编码后与噪声进行维度拼接并作为生成器模型的输入，生成器模型G0的输出为(N，N，1)的三维张量，即生成的分布式气动力数据；将真实或生成器模型G0生成的分布式气动力数据与工况进行维度拼接并作为判别器模型D0的输入，判别器模型D0输出真假判别结果。

4.根据权利要求3所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述生成器模型G0中，输入数据经过全连接神经网络和5个输出通道数分别为256、128、64、32、1的反卷积模块，其中前4个反卷积模块的反卷积层后均加入BN层，BN层后加入ReLU激活函数层，第5个反卷积模块的反卷积层后加入Tanh激活函数层；

其中，所述ReLU与Tanh激活函数的表达式如下所示：

其中，relu(x)是指ReLU函数的输出值，tanh(x)是指Tanh函数的输出值；max(0，x)指在0和输入x中取较大的数，e^x是指输入值进行指数函数运算，e^-x是指输入值取负值后进行指数函数运算。

5.根据权利要求3所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述判别器模型D0中输入数据经过五个输出通道数分别为64、128、256、512、512的卷积模块和1个输出通道数为1的输出层卷积模块，其中5个卷积模块的卷积层后均加入BN层，BN层后加入LeakyRelu激活函数层，输出层卷积模块的卷积层后加入Sigmoid激活函数层；

其中，所述LeakyRelu与Sigmoid激活函数的表达式如下所示：

其中，LeakyRelu(x)是指LeakyRelu函数的输出值，sigmoid(x)是指Sigmoid函数的输出值；α是指泄露值，一般取0.01；max(αx，x)指在输入x和输入与泄露值相乘后得到αx中取较大的数，e^-x是指输入值取负值后进行指数函数运算。

6.根据权利要求1所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述步骤S3包括：

首先建立网络模型的基于交叉熵的损失函数，训练过程中生成器模型G0希望让判别器D0将生成的分布式气动力数据鉴别为真，竭力最小化损失函数；判别器模型D0希望提升鉴别出生成的分布式气动力数据为假的能力，竭力最大化损失函数，当生成器模型G0和判别器模型D0都取得最优解时训练停止。