[发明专利]基于神经网络的飞行器气动外形优化方法、装置及介质

说明书

本发明公开一种基于神经网络的飞行器气动外形优化方法、装置及介质。具体是通过WGAN‑div模型学习现有的飞行器形状特征，并使用潜在变量来稳定地生成多样化的设计，通过卷积神经网络对生成的飞行器形状进行智能参数化，通过MMoE‑3D模型的训练多任务学习，以实现对飞行条件下马赫数(0.4‑0.8,1.2‑1.6)和滚动角(2°‑90°)的轴向力CA、法向力CN、俯仰力矩Cm和压力中心Xcp的快速预测。最后，这三个部分被整合，并使用差分进化算法(DE)来完成飞行器形状的优化设计，有效地解决了飞行器气动外形优化慢的问题。

技术领域

本发明涉及飞行器气动外形设计领域，更具体地，涉及一种基于神经网络的飞行器气动外形优化方法、装置及介质。

背景技术

由于飞行器的气动数据与飞行器外形参数高度非线性相关，基于空气动力学的飞行器形状设计是一项非常困难和耗时的任务。因此，设计一个自动和高效的框架来设计飞行器的空气动力学形状以满足各种性能要求是很重要的。早期的空气动力学设计依赖于试错法，导致设计效率不高，不仅需要敏锐的直觉和大量的经验，还需要大量的财政和物质资源。因此，用这种方法很难获得真正的最优方案。

在20世纪70年代，随着计算机技术的不断提高，基于计算流体力学(CFD)的空气动力学设计方法开始发展。CFD、风洞试验和理论分析逐渐成为空气动力学设计的主要工具。由于风洞试验过于昂贵，理论分析不能准确描述空气动力学细节，基于CFD的空气动力学设计方法被逐渐引入。目前，与CFD相结合的空气动力形状优化设计方法主要分为两类：无梯度方法和梯度方法。这两种方法由于缺少快速的飞行器气动数据预测工具，都会消耗大量的时间。

为了减少计算的时间和成本，开始出现了将深度生成模型与CFD相结合的方法，以加快空气动力学优化设计过程。Yilmaz和German使用条件生成式对抗网络模型(CGAN)来学习翼型形状和条件数据库之间的关系，它可以根据指定的失速条件或阻力系数作为条件数据输入网络来生成所需的翼型形状。Du和He提出了一个快速、互动的设计框架，使机翼空气动力学优化在几秒钟内完成。该框架使用基于BS样条曲线的生成对抗网络模型(BSplineGAN)进行翼型形状参数化，并结合多层感知器、递归神经网络和多门专家混合神经网络进行代用建模，以实现对各种马赫数和雷诺数的标量(阻力和升力)和矢量(压力分布)预测。Lei等人采用Wasserstein生成式对抗网络、遗传算法和深度卷积神经网络进行基于RAE2822翼型的反向设计，最后通过具体的设计目标进一步验证了所提多阶段方法的设计性能。

然而，上述研究人员的研究是有效的，仅限于翼型的优化设计，不能扩展到其他工程设计需要。飞行器(多体)的形状比单一部件的翼型形状更加复杂多变，且目前还缺乏针对飞行器的快速空气动力学预测工具。在翼型的设计中，研究人员通常使用数学表示法，其灵活性有限，难以应用于飞行器的空气动力学形状。Yan等人提出了一种新的优化器，并对飞行器控制面的空气动力学形状优化进行了测试。新的优化器使用强化学习和转移学习来提高性能和效率，然而飞行器机翼的设计仅限于连续范围内的单一形状，在飞行器形状设计的早期阶段往往会陷入局部最优。

因此，本发明考虑采用基于神经网络优化框架的方法来解决上述问题。

发明内容

提供了本发明以解决现有技术中存在的上述问题。因此，需要一种基于神经网络的飞行器气动外形优化方法、装置及介质，以解决轴对称飞行器气动外形设计的难题。

根据本发明的第一方案，提供了一种基于神经网络的飞行器气动外形优化方法，所述方法包括：

步骤S100：基于现有飞行器外形数据库，通过WGAN-div模型构建飞行器外形数据库；

步骤S200：训练卷积神经网络以完成飞行器外形设计到外形参数的转换；

步骤S300：训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据，所述MMoE-3D模型的输出由两组模型构成，分别代表亚声速模型和超声速模型；