申请/专利权人：北京航空航天大学

申请日：2021-12-20

公开（公告）日：2024-06-14

公开（公告）号：CN114154250B

主分类号：G06F30/15

分类号：G06F30/15;G06F30/27;G06F30/28;G06F18/214;G06N3/0464;G06N3/045;G06N3/0475;G06N3/094;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2022.03.25#实质审查的生效;2022.03.08#公开

摘要：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。

主权项：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；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；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；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，relux是指ReLU函数的输出值，tanhx是指Tanh函数的输出值；max0,x指在0和输入x中取较大的数，ex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；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，LeakyRelux是指LeakyRelu函数的输出值，sigmoidx是指Sigmoid函数的输出值；α是指泄露值，取0.01；maxax,x指在输入x和输入与泄露值相乘后得到ax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；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；所述步骤S4包括：将步骤S1中所得形变位移数据与步骤S2中生成分布式气动力数据进行维度拼接并作为生成器模型G1的输入，生成器模型G1的输出为N,N,4的三维张量，即生成的形变位移和分布式气动力数据；将真实或生成器模型G1生成的数据与条件信息进行维度拼接并作为判别器模型D1的输入，判别器模型D1输出真假判别结果；利用生成器模型G1生成的数据与真实数据的误差以及判别器模型D1输出的结果用来引导网络模型学习，生成不同工况、不同初始网格下分布式气动力数据与形变位移数据；所述生成器模型G1对输入数据先后进行下采样和上采样处理，下采样处理时，输入数据经过3个输出通道数分别为64、128、256的卷积模块和4个输出通道数均为512的卷积模块，每个卷积模块的卷积层后均加入BN层，BN层后加入ReLU激活函数层；上采样处理时，下采样后的数据经过3个输出通道数均为512和4个输出通道数依次为256、128、64、32的反卷积层，再由一个输出通道数为4的输出卷积模块输出，除第一个反卷积层外，其余每个反卷积层前皆依次加入一个卷积模块与一个维度拼接层，所述卷积模块由卷积层、BN层和ReLU激活函数层组成，所述输出卷积模块由卷积层和Tanh激活函数层组成；所述判别器模型D1结构与判别器模型D0相同。

全文数据：

权利要求：

百度查询： 北京航空航天大学 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD