(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211127807.2 (22)申请日 2022.09.16 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 孙迪　田洁华　屈峰　白俊强　 (74)专利代理 机构 西安匠星互智知识产权代理 有限公司 612 91 专利代理师 陈星 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/17(2020.01) G06F 30/28(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01)G06F 113/08(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于深度学习的翼型气动力预测方法 (57)摘要 本发明提出一种基于深度学习的翼型气动 力预测方法， 提取翼型的设计参数、 表面压力系 数和气动力系数用于神经网络的训练和测试， 通 过表面压力系数进一步提取翼型的压力特征， 作 为神经网络的输入， 从而预测气动力和翼型设计 参数。 现有 技术相比， 使用多层感知器神经网络， 构造了翼型气动力预测模型， 能够高效准确的获 取气动力； 而且以翼型压力特征作为输入通过多 层感知器模型预测气动力系数和翼型几何外形 的方法， 避免大量离散点上的流畅变量数值求 解， 有效提高了翼型气动力预测 效率和精度。 此 外， 本发明搭建的卷积自动编解码器和多层感知 器神经网络模型， 可以刻画更复杂的非线性关 系， 有助于对翼型压力特征的精确识别和气动力 的准确预测。 权利要求书2页 说明书6页 附图5页 CN 115438584 A 2022.12.06 CN 115438584 A 1.一种基于深度学习的翼型气动力预测方法， 其特 征在于： 包括以下步骤： 步骤1： 生成搭建神经网络需要的样本数据集； 所述样本数据集中的参数包括各个翼型 样本的翼型设计参数、 翼型表面压力系数和气动力系数； 步骤2： 基于样本数据集搭建并训练深度学习神经网络模型； 步骤3： 将搭建好的深度神经网络用于翼型气动力的快速预测。 2.根据权利要求1所述一种基于深度学习的翼型气动力预测方法， 其特征在于： 步骤1 中生成搭建神经网络需要的样本数据集包括以下步骤： 步骤1.1： 对基准翼型进行参数化， 并在基准翼型上叠加扰动派生出新的翼型， 得到一 系列翼型样本； 步骤1.2： 生成翼型计算网格； 通过坐标变换， 将网格从物理空间映射到计算空间； 对步 骤1.1得到的翼型样 本进行RANS数值模拟， 得到翼型样 本的流动参数； 提取各个翼型样 本的 翼型设计参数、 翼型表面压力系 数和气动力系 数作为样本数据集， 用于神经网络模型 的训 练和测试。 3.根据权利要求2所述一种基于深度学习的翼型气动力预测方法， 其特征在于： 步骤 1.1中， 采用类别形状函数变换方法对基准翼型进 行参数化， 并采用CST扰动方法， 在基准翼 型的CST方程设计参数 上叠加扰动， 派生出新的翼型， 得到一系列翼型样本 。 4.根据权利要求2所述一种基于深度学习的翼型气动力预测方法， 其特征在于： 步骤 1.2中， 采用C ‑H型拓扑生成翼型计算网格。 5.根据权利要求1所述一种基于深度学习的翼型气动力预测方法， 其特征在于： 步骤2 中， 基于样本数据集搭建并训练深度学习神经网络模型包括以下步骤： 步骤2.1： 采用卷积神经网络和全连接神经网络搭建一维卷积自动编解码器， 以步骤1 得到的样本数据集中的翼型表面压力系数作为输入和输出， 以提取压力特 征； 步骤2.2： 训练一维卷积自动编解码器： 以翼型表面压力系数的均 方根误差作为损失函 数， 利用Adam优化算法对神经网络进行迭代优化， 优化目标为损失函数最小， 直至训练样本 数据集的损失函数不再降低， 完成训练； 步骤2.3： 采用一维卷积自动编解码器提取翼型样本的压力特征， 加入到步骤1得到的 样本数据集； 步骤2.4： 采用全连接神经网络搭建第一多层感知器模型， 以步骤2.3得到的样本数据 集中的翼型压力特 征作为输入， 以步骤1得到的样本数据集中的翼型气动力系数作为输出； 步骤2.5： 训练第一多层感知器模型： 以翼型气动力系数的均方根误差作为损失函数， 利用Adam优化算法对神经网络进行迭代优化， 优化目标为损失函数最小， 直至训练样本数 据集的损失函数不再降低， 完成训练； 步骤2.6： 采用全连接神经网络搭建第二多层感知器模型， 以步骤2.3得到的样本数据 集中的翼型压力特 征作为输入， 以步骤1得到的样本数据集中的翼型设计参数作为输出； 步骤2.7： 训练第二多层感知器模型： 以翼型设计参数的均方根误差作为损失函数， 利 用Adam优化算法对神经网络进行迭代优化， 优化目标为损失函数最小， 直至训练样本数据 集的损失函数不再降低， 完成训练。 6.根据权利要求5所述一种基于深度学习的翼型气动力预测方法， 其特征在于： 步骤 2.1中， 所述一维卷积自动编解码器由编码器和解码器组成， 编码器含有两个卷积层； 第一权　利　要　求　书 1/2 页 2 CN 115438584 A 2卷积层输入通道数为1， 输出通道数为2， 卷积核尺寸为10， 滑动步长为10， 补零宽度为1， 随 后设置归一化层和ReLU非线性激活层； 第二卷积层输入通道数为25， 输出通道数为50， 卷积 核尺寸为3， 滑动步长为3， 补零宽度为0， 随后设置归一化层和ReLU非线性激活层； 编码器尾 端为一层 全连接层， 神经元个数为 10； 解码器首端为一层 全连接层， 神经元个数为850， 随后 连接两个反卷积层， 第一反卷积层输入通道数为50， 输出通道数为25， 卷积核尺 寸为4， 滑动 步长为3， 补零宽度为 1， 随后设置归一化层和ReLU非线性激活层， 第二反卷积层输入通道数 为25， 输出通道数为1， 卷积核尺寸为10， 滑动步长为10， 补零宽度为1， 随后设置Sigmoi d非 线性激活层。 7.根据权利要求1所述一种基于深度学习的翼型气动力预测方法， 其特征在于： 步骤 1.1中， 翼型上下缘表面分别采用6阶型函数拟合， 使用14个 设计参数来描述翼型， 每个设计 参数的扰动范围为 ±0.02， 采用拉丁超立方取样方法在设计空间提取3000个翼型作为翼型 样本。 8.根据权利要求5所述一种基于深度学习的翼型气动力预测方法， 其特征在于： 步骤 2.1中， 输入层和输出层均含有508个参数， 为步骤1得到的翼型表面压力系数(P1,..., P508)； 步骤2.4中， 输入层含有10个参数， 为步骤2.3中得到的翼型压力特征(f1,...,f10)， 其 中， fi表示第i个压力特征； 输出层含有3个神经元， 输出为翼型气动力系数(CL,Cd,Cm)， 其中 CL表示升力系数， Cd表示阻力系数， Cm表示力矩系数； 步骤2.6中， 输入层含有10个参数， 为步 骤2.3中提取的翼型压力特征(f1,...,f10)， 其中， fi表示第i个压力特征； 输出层含有14个 神经元， 输出为翼型设计参数(x1,...,x14)。 9.根据权利要求5所述一种基于深度学习的翼型气动力预测方法， 其特征在于： 步骤 2.4中， 第一多层感知器模型的隐藏层含有2层， 神经元个数分别 为800、 800； 步骤2.6中， 第 二多层感知器模型的隐藏层含有2层， 神经 元个数分别为80 0、 800。 10.根据权利要求5所述一种基于深度 学习的翼型气动力预测方法， 其特征在于： 步骤3 中， 以压力特征作为输入， 以步骤2.5训练得到的第一多层感知器模型预测气动力系数， 以 步骤2.7训练得到的第二多层感知器模型预测翼型设计参数， 然后通过CST函数， 得到翼型 几何外形。权　利　要　求　书 2/2 页 3 CN 115438584 A 3