CN113051820B - 基于卷积神经网络的跨流域气动参数模拟方法 - Google Patents

基于卷积神经网络的跨流域气动参数模拟方法 Download PDF

Info

Publication number
CN113051820B
CN113051820B CN202110314455.0A CN202110314455A CN113051820B CN 113051820 B CN113051820 B CN 113051820B CN 202110314455 A CN202110314455 A CN 202110314455A CN 113051820 B CN113051820 B CN 113051820B
Authority
CN
China
Prior art keywords
data
aerodynamic
pneumatic
neural network
flow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110314455.0A
Other languages
English (en)
Other versions
CN113051820A (zh
Inventor
李志辉
张子彬
党德鹏
吴俊林
彭傲平
孙学舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Original Assignee
Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center filed Critical Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Priority to CN202110314455.0A priority Critical patent/CN113051820B/zh
Publication of CN113051820A publication Critical patent/CN113051820A/zh
Application granted granted Critical
Publication of CN113051820B publication Critical patent/CN113051820B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明公开了一种，包括：步骤一，基于Boltzmann模型方程的气体动理论统一算法获得部分代表性气动数据结果；步骤二，基于部分代表性气动数据结果，借助卷积神经网络算法，获取该外形卷积神经网络拟合模型；步骤三，根据卷积神经网络拟合模型，得到所需状态的气动状态结果参数及流场信息云图。本发明提供一种基于卷积神经网络的跨流域气动参数模拟方法，相比较过去不同流域使用不同计算方法，其以统一算法典型飞行高度绕流状态的运算结果为数据依托，可以使用一种方法快速计算全流域气动特性，避免了各流域方法交界处尤其是稀薄过渡流区结果不统一的情况，结果可靠性高。

Description

基于卷积神经网络的跨流域气动参数模拟方法
技术领域
本发明涉及飞行器空气动力技术领域，特别是涉及一种基于卷积神经网络的跨流域气动参数模拟方法。
背景技术
在过去计算机条件不够先进、流体力学计算技术还未充分发展的情况下，空气动力学科研人员只能根据不同流域典型流动状态特点分区独立计算，如利用克努森数将大气流动划分为连续流区、滑移流区、稀薄过渡流区、自由分子流区等四大流动区域，再利用Euler和N-S方程解决连续流区问题，利用Slip-N-S(带滑移边界条件的N-S)方程算法解决滑移流区流动问题，利用搭桥方法和耦合方法解决稀薄过渡流区气动计算问题，利用DSMC方法解决自由分子流区到稀薄过渡流区的流动问题。但是这样的解决方案仍然有以下缺陷：
一是各个流动区域之间并没有严格的界限，在各区交界附近的气动状态缺乏统一可靠的理论支撑依据；二是同一个流场可能存在多个流动区域，例如在高空喷流问题中，同一流场就同时存在连续流区和稀薄流区两个流动分区；三是稀薄过渡流区在模拟方法和测试技术方面都不十分完备，在理论上同样缺乏***研究，搭桥方法和耦合方法虽然具有使用价值，但搭桥方法连接不光滑，耦合方法计算范围较窄，计算结果依赖经验判断，不能实现一体化模拟。
《基于Boltzmann模型方程的气体运动论统一算法研究》等文献提出了一种基于Boltzmann模型方程的跨流域统一算法。此算法利用离散、降维等方法，去掉分布函数对速度空间的连续依赖性，拆解了计算任务，分散了数据存储，让求解Boltzmann模型方程的过程更加适合并行计算机运行原理，从而解决了飞行器再入跨流域复杂气动问题，而统一算法(GKUA)计算全飞行流域落球绕流阻力系数收敛一致性验证比较如图3所示。
然而，由于统一算法计算量大，资源消耗多，无法在短时间内用少量计算资源得到全流域气动数据结果，文献《天宫飞行器低轨控空气动力特性一体化建模与计算研究》提出了一种基于自由分子流与连续流当地桥函数理论关联的桥公式法，该方法根据飞行器外形及绕流特点调试确定关联参数，以统一算法部分代表性气动数据结果为参考，得到从自由分子流与连续流全流域气动数据结果。
上述方法虽然达到了在短时间内用较小资源获取全流域气动数据结果的目的，但是桥公式法关联参数需人为手动调节，凭目测校准，不一定能够得到最佳拟合结果，且对操作人员经验水平要求较高。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
为了实现根据本发明的这些目的和其它优点，提供了一种基于卷积神经网络的跨流域气动参数模拟方法，包括：
步骤一，基于Boltzmann模型方程的气体动理论统一算法获得部分代表性气动数据结果；
步骤二，基于部分代表性气动数据结果，借助卷积神经网络算法，获取该外形卷积神经网络拟合模型；
步骤三，根据卷积神经网络拟合模型，得到所需状态的气动计算结果参数及流场信息云图。
优选的是，在步骤一中，采用统一算法计算部分代表性气动数据的方法被配置为包括：
S10、输入来流的克努森数、普朗特数、马赫数、压力、温度、攻角、侧滑角、飞行高度，以及气动外形网格；
S11、引入当地平衡态分布函数f N及气体分子碰撞松弛参数ν，以得到气体分子速度分布函数控制方程如下：
Figure GDA0004114126240000021
Figure GDA0004114126240000031
Figure GDA0004114126240000032
Figure GDA0004114126240000033
Figure GDA0004114126240000034
Figure GDA0004114126240000035
其中，f为依赖位置空间
Figure GDA0004114126240000036
分子速度
Figure GDA0004114126240000037
和时间t的气体分子速度分布函数，fN为当地平衡态速度分布函数，fM为当地Maxwell平衡态分布函数；n、P、T分别为气体分子数密度、压力和温度，
Figure GDA0004114126240000038
为热流矢量，Pr为普朗特数，χ为相关于分子模型的气体分子相互作用参数；λ∞是来流气体分子平均自由程，L为特征长度，Kn为克努森数，用来划分各流域流动状态控制参数；U、V、W分别为x、y、z三个方向的流动速度，
Figure GDA0004114126240000039
表示气体分子热运动速度；
S12、将迭代计算得到的气体分子速度分布函数f代入如下方程以得到相关的宏观流动物理量：
Figure GDA00041141262400000310
Figure GDA00041141262400000311
Figure GDA00041141262400000312
P＝n′T；
Figure GDA00041141262400000313
Figure GDA00041141262400000314
其中，气体密度n′、流动速度U′、温度T、气体压力P、粘性应力τ，通过宏观流动物理量进而得到该外形在上述输入条件下取得的气动阻力系数相关的气动结果参数及流场信息云图；
S13、通过调节来流的克努森数、普朗特数、马赫数、压力、温度、攻角、侧滑角、飞行高度相关的输入数据，并重复S10-S12得到其中一个气动外形输入条件下的多组气动数据结果。
优选的是，在步骤二中，所述拟合模型的配置方式包括：
S20、将S13得到的气动数据结果按照输入数据及输出数据进行分类，并按照输入输出对应关系进行分组，从而建立该气动外形统一算法气动结果数据库；
S21、将上述数据库按照7:3的比例划分为训练数据和测试数据，再交由卷积神经网络算法进行运算；
S22、在卷积神经网络运算结束后，利用测试数据检测对拟合模型的正确率进行判定，若正确率低于预定值，则对卷积核大小和滑动步长相关参数进行适应性改进，以得到符合要求的拟合模型。
优选的是，在步骤三中，通过将所需气动状态的输入参数录入上述拟合模型，进而得到所需状态的气动计算结果参数及流场信息云图
本发明至少包括以下有益效果：其一，本发明相比较过去不同流域使用不同计算方法，其以统一算法运算结果为数据依托，可以使用一种方法计算全流域气动特性，避免了各流域方法交界处尤其是稀薄过渡流区结果不统一的情况，结果可靠性高。
其二，本发明相比较基于自由分子流与连续流当地桥函数理论关联的桥公式法等传统方法，本专利方法除了可以生成气动参数随高度变化曲线之外，还可以生成所需高度的压力云图、温度云图等流场信息，有助于飞行器设计等进一步工作的开展。
其三，本发明能够根据统一算法部分代表性气动数据结果，借助人工智能卷积神经网络(CNN)技术，以较小时间成本和计算资源，得到全流域气动数据结果。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为统一算法(GKUA Results)与本专利方法(CNN Results)压力云图运算结果对比图；
图2为统一算法压力云图运算结果示意图；
图3为统一算法(GKUA)计算全飞行流域落球绕流阻力系数收敛一致性验证比较图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
本专利具有以下三个步骤：
1.基于Boltzmann模型方程的气体动理论统一算法获得部分代表性气动数据结果
根据《基于Boltzmann模型方程的气体运动论统一算法研究》等文献，此处简要引用统一算法计算流程如下：
首先输入来流的克努森数、普朗特数、马赫数、压力、温度、攻角、侧滑角、飞行高度，以及气动外形网格等数据。
其次引入当地平衡态速度分布函数f N及气体分子碰撞松弛参数v，可得到气体分子速度分布函数控制方程如下：
Figure GDA0004114126240000051
Figure GDA0004114126240000052
Figure GDA0004114126240000053
Figure GDA0004114126240000054
Figure GDA0004114126240000055
Figure GDA0004114126240000056
其中，f为依赖位置空间
Figure GDA0004114126240000057
分子速度
Figure GDA0004114126240000058
和时间t的气体分子速度分布函数，fN为当地平衡态速度分布函数，fM为当地Maxwell平衡态分布函数；n、P、T分别为气体分子数密度、压力和温度，
Figure GDA0004114126240000059
为热流矢量，Pr为普朗特数，χ为相关于分子模型的气体分子相互作用参数；λ∞是来流气体分子平均自由程，L为特征长度，Kn为克努森数，用来划分各流域流动状态控制参数；U、V、W分别为x、y、z三个方向的流动速度，
Figure GDA0004114126240000061
表示气体分子热运动速度；
再次，将迭代计算得到的气体分子速度分布函数f代入如下方程可得到宏观流动物理量，如气体密度n′、流动速度n′、温度T、气体压力P、粘性应力τ、热流矢量q等：
Figure GDA0004114126240000062
Figure GDA0004114126240000063
Figure GDA0004114126240000064
P＝n′T；
Figure GDA0004114126240000065
Figure GDA0004114126240000066
最终，由上述宏观流动物理量可得到该外形在上述输入条件下受到的气动阻力系数(Cd)等气动结果参数以及压力云图、温度云图等流场信息。
通过调节来流气体克努森数、普朗特数、马赫数、压力、温度、攻角、侧滑角、飞行高度等输入数据，并重复上述步骤，就可以得到某一气动外形不同输入条件下多组气动数据结果(包括气动结果参数和如图2的流场信息云图)。
2.基于部分代表性气动数据结果，借助卷积神经网络算法，获取该外形卷积神经网络拟合模型
将上述气动数据结果按照输入数据(包括克努森数、普朗特数、马赫数、压力、温度、攻角、侧滑角、飞行高度等)及输出数据(包括气动结果参数以及流场信息云图)进行分类，并按照输入输出对应关系进行分组，从而建立该气动外形统一算法气动结果数据库。
将上述数据库按照7:3的比例划分为训练数据和测试数据，再交由卷积神经网络算法进行运算。
运算结束时，卷积神经网络算法会利用测试数据检测该拟合模型的正确率，若正确率过低，则可适当调整卷积核大小和滑动步长等超参数，直至得到正确率较高的拟合模型。
3.根据卷积神经网络拟合模型，得到所需状态的气动状态结果参数及流场信息云图
将所需气动状态的输入参数录入上述拟合模型后，即可得到所需状态的气动计算结果参数及流场信息云图。
本专利提出一种基于统一算法数据及卷积神经网络技术的跨流域气动参数模拟方法，替代现有办法。而卷积神经网络(Convolutional Neural Networks)是一种深度学习模型或类似于人工神经网络的多层感知器，是人工智能的代表算法之一。相比较传统的计算流体力学方法，人工智能算法不需要清晰的理论逻辑运算，只需要给予足够的数据之后，算法就能够在这些输入输出数据中寻找规律，进而针对未知的输入数据给出正确率较高的输出结果。而卷积神经网络与其他人工智能算法相比，在图像识别方面具有明显的优势。
本发明的具体思路为：先由统一算法得到部分代表性气动数据结果，在依托卷积神经网络算法分析这些数据，从而建立卷积神经网络拟合模型，再根据这一拟合模型得到该气动外形全流域气动数据结果及流场信息云图，图1展示的是某输入状态的圆柱绕流运算中，统一算法(GKUA Results)与本专利方法(CNN Results)压力云图运算结果对比，从图中可以看出，二者结果几乎一致。
表1展示的是上述圆柱绕流运算中，统一算法与本专利方法气动结果参数比较。
Figure GDA0004114126240000071
表1统一算法与本专利方法气动结果参数比较
上表中所指的平均偏差，是累加了不同位置坐标的系数后平均得出的结果，从表中可以看出，除少数空间位置的系数值末尾有差别外，其余部分均保持一致。总体来看，平均偏差小于10-7，平均偏差百分比小于10-6％，满足使用需求。
这里值得指出的是，上述统一算法计算结果需要在巨型计算机平台上调用数千计算核心花费数天时间获得，而上述本专利方法结果是在取得所需数据后，由个人计算机花费数分钟得到，因此计算效率较高。
在实际项目中，本专利方法可以与统一算法配合使用：
若实际项目需要某一外形30个状态的气动数据，则有如下三种策略可以选择
A.如果仅仅依靠统一算法，则需要使用巨型计算机平台调用数万计算核心花费数月时间完成计算30个状态，得到30组气动结果参数以及流场信息云图；
B.如果使用统一算法配合桥公式法等传统方法，统一算法需要计算10个状态，但由于桥公式法无法获得流场信息云图，所以虽然计算量减少2/3，但只能得到30组气动结果参数和统一算法得到的10组流场信息云图；
C.如果使用统一算法配合本专利方法，则统一算法只需要计算10个状态即可，其余状态完全可以据此利用本专利方法得到，从而可以在减少2/3的计算量的情况下，得到完整的30组气动结果参数以及流场信息云图。
由此可以看出，本专利方法在实际使用中具有较高的实用价值。
以上方案只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (1)

1.一种基于卷积神经网络的跨流域气动参数模拟方法，其特征在于，包括：
步骤一，基于Boltzmann模型方程的气体动理论统一算法获得部分代表性气动数据结果；
步骤二，基于部分代表性气动数据结果，借助卷积神经网络算法，获取对应外形的卷积神经网络拟合模型；
步骤三，根据卷积神经网络拟合模型，得到所需状态的气动计算结果参数及流场信息云图；
在步骤一中，采用统一算法计算部分代表性气动数据的方法被配置为包括：
S10、输入来流的克努森数、普朗特数、马赫数、压力、温度、攻角、侧滑角、飞行高度，以及气动外形网格；
S11、引入当地平衡态分布函数fN及气体分子碰撞松弛参数ν，以得到气体分子速度分布函数控制方程如下：
Figure FDA0004114126230000011
Figure FDA0004114126230000012
Figure FDA0004114126230000013
Figure FDA0004114126230000014
Figure FDA0004114126230000015
Figure FDA0004114126230000016
其中，f为依赖位置空间
Figure FDA0004114126230000017
分子速度
Figure FDA0004114126230000018
和时间t的气体分子速度分布函数，fN为当地平衡态速度分布函数，fM为当地Maxwell平衡态分布函数；n、P、T分别为气体分子数密度、压力和温度，
Figure FDA0004114126230000019
为热流矢量，Pr为普朗特数，χ为相关于分子模型的气体分子相互作用参数；λ∞是来流气体分子平均自由程，L为特征长度，Kn为克努森数，用来划分各流域流动状态控制参数；U、V、W分别为x、y、z三个方向的流动速度，
Figure FDA0004114126230000021
表示气体分子热运动速度；
S12、将迭代计算得到的气体分子速度分布函数f代入如下方程以得到相关的宏观流动物理量：
Figure FDA0004114126230000022
Figure FDA0004114126230000023
Figure FDA0004114126230000024
P＝n′T；
Figure FDA0004114126230000025
Figure FDA0004114126230000026
其中，气体密度n′、流动速度U′、温度T、气体压力P、粘性应力τ，通过宏观流动物理量进而得到该外形在上述输入条件下取得的气动阻力系数相关的气动结果参数及流场信息云图；
S13、通过调节来流的克努森数、普朗特数、马赫数、压力、温度、攻角、侧滑角、飞行高度相关的输入数据，并重复S10-S12得到其中一个气动外形输入条件下的多组气动数据结果；
在步骤二中，所述拟合模型的配置方式被配置为包括：
S20、将S13得到的气动数据结果按照输入数据及输出数据进行分类，并按照输入输出对应关系进行分组，从而通过统一算法建立该气动外形对应的气动结果数据库；
S21、将上述数据库按照7:3的比例划分为训练数据和测试数据，再交由卷积神经网络算法进行运算；
S22、在卷积神经网络运算结束后，利用测试数据检测对拟合模型的正确率进行判定，若正确率低于预定值，则对卷积核大小和滑动步长相关参数进行适应性改进，以得到符合要求的拟合模型；
在步骤三中，通过将所需气动状态的输入参数录入上述拟合模型，进而得到所需状态的气动计算结果参数及流场信息云图。
CN202110314455.0A 2021-03-24 2021-03-24 基于卷积神经网络的跨流域气动参数模拟方法 Active CN113051820B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110314455.0A CN113051820B (zh) 2021-03-24 2021-03-24 基于卷积神经网络的跨流域气动参数模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110314455.0A CN113051820B (zh) 2021-03-24 2021-03-24 基于卷积神经网络的跨流域气动参数模拟方法

Publications (2)

Publication Number Publication Date
CN113051820A CN113051820A (zh) 2021-06-29
CN113051820B true CN113051820B (zh) 2023-05-16

Family

ID=76514927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110314455.0A Active CN113051820B (zh) 2021-03-24 2021-03-24 基于卷积神经网络的跨流域气动参数模拟方法

Country Status (1)

Country Link
CN (1) CN113051820B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330080B (zh) * 2022-03-04 2022-05-13 中国空气动力研究与发展中心计算空气动力研究所 一种飞行器面对称跨流域流场的预测方法
CN116296239A (zh) * 2023-05-26 2023-06-23 中国空气动力研究与发展中心计算空气动力研究所 基于卷积神经网络的风洞试验方法、装置、设备和介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6751529B1 (en) * 2002-06-03 2004-06-15 Neural Robotics, Inc. System and method for controlling model aircraft
CN106205126A (zh) * 2016-08-12 2016-12-07 北京航空航天大学 基于卷积神经网络的大规模交通网络拥堵预测方法及装置
CN106779051A (zh) * 2016-11-24 2017-05-31 厦门中控生物识别信息技术有限公司 一种卷积神经网络模型参数处理方法及***
CN109410208A (zh) * 2018-11-14 2019-03-01 成都极致智造科技有限公司 砂带磨损的机器学习识别与工艺参数优化方法
CN109783828A (zh) * 2017-11-13 2019-05-21 北京普华亿能风电技术有限公司 一种风电场中风电功率预测方法及***
CN110851957A (zh) * 2019-10-15 2020-02-28 南京航空航天大学 一种基于深度学习的大气数据传感***解算方法
US10766136B1 (en) * 2017-11-03 2020-09-08 Amazon Technologies, Inc. Artificial intelligence system for modeling and evaluating robotic success at task performance
CN112052621A (zh) * 2020-07-22 2020-12-08 西安交通大学 基于cnn的超临界二氧化碳叶轮机械跨临界区预测及控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709983A (zh) * 2020-06-16 2020-09-25 天津工业大学 一种基于卷积神经网络和光场图像的气泡流场三维重建方法
CN112329322A (zh) * 2020-10-09 2021-02-05 清华大学 基于卷积神经网络的热喷涂方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6751529B1 (en) * 2002-06-03 2004-06-15 Neural Robotics, Inc. System and method for controlling model aircraft
CN106205126A (zh) * 2016-08-12 2016-12-07 北京航空航天大学 基于卷积神经网络的大规模交通网络拥堵预测方法及装置
CN106779051A (zh) * 2016-11-24 2017-05-31 厦门中控生物识别信息技术有限公司 一种卷积神经网络模型参数处理方法及***
US10766136B1 (en) * 2017-11-03 2020-09-08 Amazon Technologies, Inc. Artificial intelligence system for modeling and evaluating robotic success at task performance
CN109783828A (zh) * 2017-11-13 2019-05-21 北京普华亿能风电技术有限公司 一种风电场中风电功率预测方法及***
CN109410208A (zh) * 2018-11-14 2019-03-01 成都极致智造科技有限公司 砂带磨损的机器学习识别与工艺参数优化方法
CN110851957A (zh) * 2019-10-15 2020-02-28 南京航空航天大学 一种基于深度学习的大气数据传感***解算方法
CN112052621A (zh) * 2020-07-22 2020-12-08 西安交通大学 基于cnn的超临界二氧化碳叶轮机械跨临界区预测及控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Aero-engine sensor fault diagnosis based on convolutional neural network;J. Li 等;《2018 37th Chinese Control Conference》;6049-6054 *
基于深度学习的翼型气动系数预测;陈海 等;《空气动力学学报》;第36卷(第2期);294-299 *
基于深度神经网络的空气动力学数据建模方法研究;时梓芳;《中国优秀硕士学位论文全文数据库基础科学辑》(第（2020）8期);A004-13 *

Also Published As

Publication number Publication date
CN113051820A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
Liang et al. Differentiable cloth simulation for inverse problems
CN113051820B (zh) 基于卷积神经网络的跨流域气动参数模拟方法
Alata et al. Optimizing of fuzzy c-means clustering algorithm using GA
CN109002845A (zh) 基于深度卷积神经网络的细粒度图像分类方法
Park et al. Machine-learning-based feedback control for drag reduction in a turbulent channel flow
Ntampaka et al. A hybrid deep learning approach to cosmological constraints from galaxy redshift surveys
Hou et al. Machine-learning-based detection of aerodynamic disturbances using surface pressure measurements
Jayaram et al. A Neural Network Approach To Tolerance Synthesis and Cost Optimisation in Assembly
Yang et al. BPNN and CNN-based AI modeling of spreading and icing pattern of a water droplet impact on a supercooled surface
Janny et al. Eagle: Large-scale learning of turbulent fluid dynamics with mesh transformers
CN114444216B (zh) 基于数值模拟的高空条件下飞行器姿态控制方法及***
CN106023286A (zh) 基于数据驱动的流体动画加速生成方法
Hou et al. Machine learning based detection of flow disturbances using surface pressure measurements
CN109115446A (zh) 基于跨声速风洞风速精度控制方法及***
Kim et al. Geometric modification for the enhancement of an airfoil performance using deep CNN
CN112861332B (zh) 一种基于图网络的集群动力学预测方法
Kretinin et al. Neuronet's method of weighted residuals for computer simulation of hydrodynamics problems
CN112926681A (zh) 一种基于深度卷积神经网络的目标检测方法及装置
Oruc et al. Modeling of energy maneuverability based specific excess power contours for commercial aircraft using metaheuristic methods
CN108009565B (zh) 一种变异环境下河网区设计洪水位计算方法
Kretinin et al. Method of weighted residuals on the base of neuronet's approximations for computer simulation of hydrodynamics problems
JP4267726B2 (ja) 制御装置における動作信号と操作量との関係を決定する装置、制御装置、データ生成装置、入出力特性決定装置及び相関関係評価装置
Zhang et al. Optimization and uncertainty quantification of spray break-up submodel with regularized multi-task neural nets
Juangphanich et al. Predicting Two-Dimensional Airfoil Performance Using Graph Neural Networks
Mei et al. Real-time facial expression recognition based on the improved brain emotional learning model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant