[发明专利]一种面向翼型的压力系数曲线智能生成方法

说明书

本发明提供了一种面向翼型的压力系数曲线智能生成方法，包括以下步骤：步骤1、根据已有翼型库进行数据扩充得到翼型数据库，包含每个翼型对应的翼型坐标；步骤2、对每个翼型采用不同的来流条件组合计算对应的压力系数曲线，构建若干包含该翼型的翼型坐标、来流条件组合及来流条件组合对应的压力系数曲线坐标的数据对。步骤3、构建生成对抗网络模型；步骤4、利用每个翼型的所有数据对生成对抗网络进行训练得到生成网络模型；步骤5、将翼型、来流条件输入生成网络模型，输出该翼型的压力系数曲线。采用该方法无需迭代训练，大大减少计算量，较传统CFD方法速度更快，可以达到10‑100倍的加速比。

技术领域

本发明涉及计算流体力学中压力系数预测领域，特别涉及一种面向翼型的压力系数曲线智能生成方法。

背景技术

作为飞机主要提供升力的机翼，对飞机的飞行性能和操纵性、稳定性具有很大的影响。翼型选择和设计是飞机设计前必须进行的重要工作。翼型的压力系数是一个无量纲数，它描述了翼型表面的相对压力，在翼型设计时必须考虑压力系数与升阻比，当压力系数过大，就会导致升力不足，从而影响飞机的爬升性能。压力系数曲线的准确预测能够有效预防这种情况。已有的压力系数曲线计算主要通过CFD模拟完成，计算耗时较长。在飞行器设计初期，需要针对上万种翼型在数十种不同来流条件下的压力系数曲线进行计算，需要进行数十万次CFD模拟，模拟时间太长，且一旦改变来流条件就要重新计算。尽管已经使用了工程近似的方法进行计算，但工程计算方法精度较差，且耗时仍然太长，当来流条件改变时需要重新计算。已有相关论文提出新的压力系数预测方法，但主要是物理方法，仅提高其计算精度，计算速度的提升有限或者没有提升。为了避免上述方法的缺点，本发明设计了一种压力系数曲线的智能预测方法，该方法使用深度神经网络，输入翼型和对应的来流条件后直接得到压力系数曲线，速度较CFD模拟和工程计算，加速比可达10-100倍。

目前尚无专利针对翼型的压力系数智能预测方法。较为相关的专利很少，公开可查的专利如CN107817520A。该专利提出一种海相泥页岩的压力系数预测。主要思路包括：准备钻井数据、测井数据与地震资料；针对超压页岩地层，选择敏感测井曲线，获取纵波速度与横波速度；基于钻井数据，分析钻井密度与纵波速度的关系，拟合优化Fillippone公式的系数，并基于再优化Fillippone公式，预测底层压力系数。该专利主要通过拟合系数的方法预测压力系数。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供了一种面向翼型的压力系数曲线智能生成方法，提出从翼型坐标+来流条件通过生成网络模型直接映射到压力系数曲线坐标，用于预测翼型在不同飞行参数下对应的压力系数曲线。

本发明采用的技术方案如下：一种面向翼型的压力系数曲线智能生成方法，其特征在于，包括以下步骤：

步骤1、根据已有翼型库进行数据扩充得到翼型数据库，包含每个翼型对应的翼型坐标；

步骤2、对每个翼型采用不同的来流条件组合计算对应的压力系数曲线，构建若干包含该翼型的翼型坐标、来流条件组合及来流条件组合对应的压力系数曲线坐标的数据对。

步骤3、构建生成对抗网络模型；

步骤4、利用每个翼型的所有数据对生成对抗网络进行训练得到固定参数的生成网络模型；

步骤5、将翼型、来流条件输入生成网络模型，输出该翼型的压力系数曲线；

进一步的，所述步骤1中，数据扩充的具体方法为：

步骤11、对已有翼型进行重构；

步骤12、在重构后翼型的翼型坐标中添加扰动，通过控制参数生成新的翼型。

进一步的，所述步骤11中，重构的具体方法为：基于型函数/类函数变换的参数化方对翼型坐标进行重构，计算M个控制系数，得到与原翼型相似的重构翼型，M大于等于1。