[发明专利]基于注意力和卷积神经网络编解码器的流场预测方法

说明书

本发明具体涉及基于注意力和卷积神经网络编解码器的流场预测方法，包括：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；训练模型时：首先将包含符号距离函数图及流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成注意力特征图；进而通过融合映射模块将注意力特征图与符号距离函数图的攻角和马赫数融合，并映射生成高级特征图；随后通过解码器对高级特征图进行解码，生成流场预测图像；最后基于流场预测图像和流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数。本发明能够提高流场预测的预测精度和预测效率。

技术领域

本发明涉及流场预测技术领域，具体涉及基于注意力和卷积神经网络编解码器的流场预测方法。

背景技术

机翼的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，有效缩短了设计周期，但基于CFD技术的翼型优化过程存在大量流场分析计算问题。在许多实际工程应用中，流场分析都是计算最密集和最耗时的部分。

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。为此，公开号为CN112784508A的中国专利公开了《一种基于深度学习的翼型流场快速预测方法》，其包括：生成搭建神经网络需要的样本数据集；基于样本数据集搭建并训练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。该模型将深度学习应用到翼型流场的预测，可以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。

卷积神经网络(CNN)属于DNN的一类，常用于视觉图像的分析。较多的工作表明，即使数据具有很强的空间和通道相关性，卷积神经网络也有可能学习高级特征。卷积神经网络模型在流体力学中越来越受到关注，原因在于其在形状表示和可伸缩性方面的显著优势。然而，卷积神经网络在全局信息的获取上有很大的局限性，无法有效实现模型的全局参考，导致模型预测的精度不足。同时，现有其他方法还存在预测效率不足的问题。因此，如何设计一种能够提高流场预测精度和预测效率的方法是亟需解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于注意力和卷积神经网络编解码器的流场预测方法，能够通过卷积神经网络分析预测对象周围流场的主要影响因素，能够通过编解码器结构提高模型的预测速度，能够通过注意力机制从全局信息中提取重要特征，从而能够提高流场预测的预测精度和预测效率，进而能够为机翼的翼型优化设计提供有效的技术支持。

为了解决上述技术问题，本发明采用了如下的技术方案：

基于注意力和卷积神经网络编解码器的流场预测方法，包括：

S1：获取待预测对象的符号距离函数图；

S2：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；

训练流场预测模型时：首先将包含符号距离函数图及对应流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成对应的注意力特征图；进而通过融合映射模块将注意力特征图与对应符号距离函数图的攻角和马赫数融合，并映射生成对应的高级特征图；随后通过解码器对高级特征图进行解码，生成对应的流场预测图像；最后基于流场预测图像和对应的流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数；

S3：将流场预测图像中速度场和压力场的预测值作为待预测对象的流场预测结果。

优选的，通过如下步骤构建训练数据集：

S201：对目标翼型进行参数化并增加扰动生成新的翼型，将各种翼型作为预测对象；

S202：对于单个预测对象，通过笛卡尔网格方法生成对应的符号距离函数图；