申请/专利权人：重庆大学

申请日：2023-11-13

公开（公告）日：2024-06-21

公开（公告）号：CN117540489B

主分类号：G06F30/15

分类号：G06F30/15;G06F30/27;G06F30/28;G06N3/0464;G06F113/08;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.03.01#实质审查的生效;2024.02.09#公开

摘要：本发明涉及一种基于多任务学习的翼型气动数据计算方法及系统，属于空气动力学和深度学习技术领域。该方案采用一种多任务学习方法，构建翼型重构网络提取翼型几何特征，设计翼型流场预测网络提取翼型在全局环境下的粗粒度压力系数曲线，设计翼型压力系数生成网络提取翼型在局部环境下的细粒度压力系数曲线，并且通过“十字绣”网络将两者线性结合起来，计算翼型的升力、阻力、力矩等气动系数。本发明有效地把深度学习模型AE、GAN、U‑NET、多任务学习模型与流体力学、空气动力学结合在一起，挖掘其隐藏特征，精准地预测翼型的气动系数，可以很好地提高预测模型训练的全面性和有效性，从而能够提高气动数据计算的准确性，具有广阔的应用前景。

主权项：1.一种基于多任务学习的翼型气动数据计算方法，其特征在于：该方法包括以下步骤：S1、数据预处理：使用卷积神经网络CNN提取翼型几何特征，输入为翼型的计算坐标、曲率以及翼型图片，通过AE网络重构翼型以及self-attention，提取出翼型的latentvector；S2、任务一：使用U-NET模型预测翼型的流场，模型融合步骤S1中的翼型latentvector，同时损失函数融合了PINN中压力场以及速度场的偏导；S3、任务二：使用GAN重构细粒度的翼型压力系数曲线，将翼型环境特征和翼型latentvector进行特征融合；S4、通过卷积神经网络，提取任务一中预测流场的粗粒度翼型压力系数曲线特征，通过“十字绣”网络，将粗粒度的翼型压力系数曲线和任务二得到的细粒度的翼型压力系数曲线相结合，输出翼型的气动系数；在所述步骤S2中，具体包括：S21、OpenFoam软件生成翼型的流场数据以及气动数据：在真实条件下，马赫数的取值范围为0.1-0.6，翼型攻角的取值范围为正负10°之间，雷诺数的取值范围为10的6次方到7次方，计算出每种条件下不同的翼型流场、翼型气动力；S22、U-NET的网络结构预测翼型的流场：将翼型图片以及环境特征图片输入到模型中，输出为翼型在该条件下对应的压力场和在x、y方向上的速度场，损失函数为L1LOSS；S23、使用PINN增强模型的可解释性：已知S22中的损失函数为MSE，将压力场的偏导和速度场的偏导添加到损失函数中去，使其具有一定的物理可解释性；在所述步骤S3中，具体包括：S31、全连接层连接翼型latentvector和环境特征：通过全连接神经网络对S1-3得到的latentvector和环境特征线性拼接起来，通过步骤S32去修正每个节点对结果的影响；S32、自注意力机制计算latentvector和环境特征的相互影响关系：将自注意力机制与全连接网络融合在一起，首先根据输入的不同向量矩阵，设置key、query、value，其次利用key和query计算每两个输入向量之间的相关性，即计算attention的值α，对A矩阵进行softmax操作得到新的矩阵A′，最后得到对应输入的输出B；S33、全连接网络融合翼型特征：将步骤S32中通过自注意力模块处理得到的翼型隐层特征以及环境特征作为融合网络的输入，将输入的特征通过融合网络压缩到更低维度，作为后续GAN网络的输入；S34、GAN的生成器生成压力系数曲线：根据步骤S33中自注意力机制构成的融合网络得到生成器的输入，同时根据GAN的性质，需要将随机变量z作为生成器的部分输入，通过反卷积网络生成新的压力系数曲线，作为GAN的鉴别器的输入；S35、GAN的鉴别器鉴别生成和真实压力系数曲线：根据步骤S34得到生成的压力系数曲线以及假的压力系数曲线，同时将真实的压力系数曲线一起输入到鉴别器，计算出两者与真实数据的差异性；S36、计算LOSS，更新网络参数：根据步骤S35得到的差异性，同时结合损失函数去更新整个网络参数，进行训练。

全文数据：

权利要求：

百度查询： 重庆大学 一种基于多任务学习的翼型气动数据计算方法及系统

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