[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

说明书

针对高超声速飞行器流热固耦合物理场求解过程中求解精度和求解效率相互矛盾的问题，本发明提出了一种基于DCCGAN的高超声速飞行器流热固耦合物理场求解方法，该方法以工况编码与飞行器初始网格为条件信息，以CFD软件求解出的飞行器网格各点空间位置分布情况和气动力分布情况作为真实值，引导深度学习中的条件生成对抗网络模型自动学习数据分布，生成逼真样本，从而实现飞行器高精度流热固耦合物理场快速求解，为高超声速飞行器实时仿真提供有效的技术支撑。

技术领域

本发明属于计算机辅助分析领域和人工智能领域，具体涉及一种基于DCCGAN的高超声速飞行器流热固耦合物理场求解方法，DCCGAN(Deep Convolution ConditionalGenerative Adversarial Networks)是指深度卷积条件生成对抗网络。

背景技术

高超声速飞行器气动外形复杂，飞行速度超过5Ma，气动热力学环境十分恶劣，极易发生气动、热、结构变形多场耦合的问题。流热固物理场耦合效应会对飞行器的气动特性和控制效率造成较大影响，是高超声速飞行器建模仿真中必须解决的重难点。

复杂的多物理场耦合求解首要面临的问题是各子学科建模，传统的工程方法如面元法、模态分析法等，存在求解精度不足的问题。采用基于计算流体力学(ComputationalFluid Dynamics，CFD)为代表的数值计算方法能有效提高求解精度以及解算结果的可信性。但是CFD计算效率低，完成一个算例解算需要几个小时甚至更长的时间，难以满足快速仿真需求，需要有新的建模仿真思路匹配多场耦合快速仿真的任务需求。

GAN是Goodfellow在2014年提出的一种对抗学习的生成模型，由一个生成器模型和一个判别器模型组成。通过充分学习原始数据样本的复杂分布，捕捉数据样本的高阶相关性，产生逼真的数据样本，可以很好的解决空气动力学领域中数据样本不足的问题。条件生成式对抗网络模型(CGAN)可以看作是对GAN的一种扩展，通过给与生成器与判别器一个条件信息来控制生成器所生成的内容。而深度卷积条件生成对抗网络(Deep ConvolutionConditional Generative Adversarial Networks，缩写为DCCGAN)则是将CGAN模型中生成器与判别器中的全连接层换成卷积层，使其可以在分辨率更高、网络更深的生成模型上稳定地训练，因此，如何基于DCCGAN对高超声速飞行器的流热固耦合物理场进行仿真建模是一个值得研究的问题。

发明内容

针对高超声速飞行器流热固耦合物理场求解过程中求解精度和求解效率相互矛盾的问题，本发明提出了一种基于DCCGAN的高超声速飞行器流热固耦合物理场求解方法，该方法以工况编码与飞行器初始网格为条件信息，以CFD软件求解出的飞行器网格各点空间位置分布情况和气动力分布情况作为真实值，引导深度学习中的条件生成对抗网络模型自动学习数据分布，生成逼真样本，从而实现飞行器高精度流热固耦合物理场快速求解，为高超声速飞行器实时仿真提供有效的技术支撑。

本发明的具体技术方案如下：

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。