[发明专利]一种基于深度学习的翼型流场快速预测方法

权利要求书

1.一种基于深度学习的翼型流场快速预测方法，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；

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流场的快速预测。

2.根据权利要求1所述一种基于深度学习的翼型流场快速预测方法，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CFD数值模拟，得到翼型样本的流场参数；截取翼型近场流动参数变化明显的网格区域内的翼型和流场参数作为各个翼型样本的样本数据集，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流场快速预测方法，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3所述一种基于深度学习的翼型流场快速预测方法，其特征在于，

步骤1.2中，采用椭圆形偏微分方程生成翼型计算网格；通过坐标变换，将网格从物理空间映射到平面内为均匀矩形网格的计算空间；并截取以翼型几何形心为圆心、翼型弦长为半径的圆形网格区域内的翼型和流场参数作为各个翼型样本的样本数据集，用于神经网络模型的训练和测试。

5.根据权利要求4所述一种基于深度学习的翼型流场快速预测方法，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：采用多层感知器神经网络搭建深度学习神经网络模型，以步骤1得到的样本数据集中的翼型参数向量和网格点在计算空间中的坐标作为输入，输出为网格点的流场参数；

步骤2.2：训练深度学习神经网络：以流场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流场快速预测方法，其特征在于，

步骤1.1中，翼型上下缘表面分别用9阶型函数拟合，使用20个设计参数来描述翼型，每个设计参数的扰动范围为±0.1，采用拉丁超立方取样方法在设计空间提取1000个翼型作为翼型样本。

7.根据权利要求6所述一种基于深度学习的翼型流场快速预测方法，其特征在于，步骤2.1中，输入层含有22个参数，为步骤1得到的翼型参数向量和网格点在计算空间中的坐标(ξ，η，P₁，P₂,...,P₂₀)，其中，(ξ，η)为网格点在计算空间中的坐标，(P₁，P₂,...,P₂₀)为翼型参数向量。

8.根据权利要求7所述一种基于深度学习的翼型流场快速预测方法，其特征在于，步骤2.1中，隐藏层含有8层，神经元个数分别为200、400、800、800、800、800、800、400。

9.根据权利要求8所述一种基于深度学习的翼型流场快速预测方法，其特征在于，步骤2.1中，输出层含有3个神经元，输出为网格点的流场参数(P，u，v)，其中P表示压强，u是x方向速度分量，v是z方向速度分量。