CN114722498A - 一种基于生成对抗网络的翼型设计方法 - Google Patents

一种基于生成对抗网络的翼型设计方法 Download PDF

Info

Publication number
CN114722498A
CN114722498A CN202210350609.6A CN202210350609A CN114722498A CN 114722498 A CN114722498 A CN 114722498A CN 202210350609 A CN202210350609 A CN 202210350609A CN 114722498 A CN114722498 A CN 114722498A
Authority
CN
China
Prior art keywords
network
airfoil
data
output
lift
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.)
Pending
Application number
CN202210350609.6A
Other languages
English (en)
Inventor
季廷炜
谢李兴
谢芳芳
张鑫帅
朱灶旭
郑耀
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210350609.6A priority Critical patent/CN114722498A/zh
Publication of CN114722498A publication Critical patent/CN114722498A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于生成对抗网络的翼型设计方法。该方法通过随机生成的翼型数据作为训练数据进行学习。生成网络通过输入目标升阻系数，可以生成符合该升阻系数的翼型。对于升阻系数与翼型存在一对多的映射关系的问题，通过在生成网络中加入隐代码来解决。隐代码是一组服从一定分布(本发明中为高斯分布)的数字。对隐代码的反复随机采样，可以改变生成网络的输出，即翼型。最终可以得到满足目标升阻系数的多样化翼型。

Description

一种基于生成对抗网络的翼型设计方法
技术领域
本发明涉及一种基于生成对抗网络的翼型设计方法，可以根据升阻系数高效地设计出在一定飞行状态下符合该升阻系数的翼型，同时，通过对输入中的隐代码反复采样，可以生成多样化的翼型，且均满足目标升阻系数，属于飞行器外形设计领域。
背景技术
飞行器设计是一项庞大而又复杂的工程，很大程度上依赖工程师的设计经验。现阶段的飞行器设计存在设计周期时间长的问题，其中每一步设计阶段都需要大量的模拟验证，产生了大量的数据，如何将深度学习与飞行器设计过程结合，通过数据建模，实现自我学习，提高设计效率，降低成本，减少设计周期，优化设计自动化过程，具有重要的工程和理论意义。
发明内容
为了实现深度学习与飞行器设计过程的结合，通过深度学习解决飞行器气动设计过程中工程数据少，以及飞行器设计过程中存在一对多的映射关系等问题。本发明构建了基于生成对抗网络(GAN)的翼型设计模型，通过输入升力系数和阻力系数，得到能够满足目标升力、阻力系数的翼型；对于一组升力系数、阻力系数，可能存在多种翼型对应或近似于该升力、阻力系数，所以在神经网络的输入中还加入了服从高斯分布的隐代码，通过隐代码随机采样来改变机翼形状，解决一对多的映射问题。
为了达到上述目的，本发明采用的技术思路如下：
通过随机采样服从高斯分布的隐代码，与目标气动力系数作为生成网络G的输入，使生成网络输出多样性的翼型几何数据从而实现翼型设计。其中，编码器E和生成网络的训练过程具体包括：
步骤S1，收集翼型数据用作训练。所述翼型数据包括翼型的几何数据以及目标气动力系数数据，其中，翼型的几何数据为翼型离散点的坐标x、y，将不同翼型的x固定并统一为相同的值。所述目标气动力系数C为升力系数Cl和/或阻力系数Cd。
步骤S2，构建一编码器E输入翼型数据y，输出隐代码的分布z。表示为：
Figure BDA0003579964950000011
其中
Figure BDA0003579964950000012
为标准高斯分布；μz和σz分别为z的平均值和标准差，⊙表示点乘。
步骤S3，隐代码随机采样。其中，隐代码z1从z中随机采样，隐代码z2从
Figure BDA0003579964950000013
随机采样；
步骤S4，将隐代码z1和z2分别与目标参数组成数组作为生成网络G的输入，生成网络G输出预测的翼型坐标y′1、y′2。同时利用编码器E输入生成翼型数据y′2，输出隐代码z′2。
步骤S5，构建一判别网络D分别输入翼型数据y、y′1、y′2和目标气动力系数，判别数据真伪；
步骤S6，通过目标函数训练更新神经网络参数，当生成网络G达到收敛时，结束训练，获得训练好的生成网络和服从高斯分布的隐代码，目标函数表示为：
Figure BDA0003579964950000021
其中，λb、λz、λKL为超参数；
Figure BDA0003579964950000022
Figure BDA0003579964950000023
Figure BDA0003579964950000024
Figure BDA0003579964950000025
Figure BDA0003579964950000026
其中，pdata表示训练数据集的数据；
Figure BDA0003579964950000027
为期望，||*||1为正则化函数，D(*)表示判别器D的输出，G(*)表示生成网络G的输出，E(*)表示编码器E的输出，
Figure BDA0003579964950000028
为散度，用来衡量两个分布的相似性，p(y)表示y的隐函数。
进一步地，所述步骤S1具体包括如下子步骤：
步骤S1.1，将x固定为
Figure BDA0003579964950000029
其中，np为翼型上表面离散点的数量，翼型下表面离散点的x轴坐标与上表面相同；i为1到np的正整数。使用CST参数化方法生成翼型形状，得到该样本点表示的几何外形；
步骤S1.2，采用开源空气动力学软件XFOIL对步骤S1.1生成的翼型形状在一定来流条件下进行空气动力学计算；
步骤S1.3，分析步骤S1.2中的空气动力学计算结果，得到所需的气动力系数，获得翼型数据。
进一步地，所述步骤S2中，编码器E的网络结构为3层全连接层，每层全连接层后接批量归一化层和LeakyReLU激活函数。
进一步地，生成网络G的网络结构采用Unet网络。
进一步地，所述步骤S5中，判别网络D的网络结构通过多层全连接层连接，每层全连接层后接批量归一化层和ReLU激活函数。
进一步地，从生成网络输出的多样性的翼型几何数据中去除升阻系数不符合的翼型，再选择升阻比最大的翼型作为设计结果。
进一步地，所述步骤S6中，收敛准则为
Figure BDA0003579964950000031
本发明的有益效果为：
1.通过输入目标升阻系数与服从高斯分布的隐代码，生成网络可以生成在一定飞行条件下满足目标升阻系数的翼型。
2.通过对生成网络输入中的隐代码反复随机采样，可以改变生成网络的结果，得到不同的翼型，均能在一定飞行条件下满足目标升阻系数的翼型。在一定程度上解决了升阻系数与翼型存在一对多映射关系的问题。
附图说明
图1为本发明的流程图；
图2为翼型训练数据与测试数据的采样范围；
图3为各类神经网络结构示意图；
图4为生成网络中Unet网络结构示意图；
图5为一种无人机飞行任务剖面图；
图6为本发明提供的生成网络在输入同一升力系数与不同隐代码后得到的不同翼型的设计结果；
图7为将图6中不同翼型重叠的结果；
图8为本发明提供的翼型设计结果应用在无人机上的示意图。
具体实施方式
下面结合附图对本发明进行详细的描述。
图1是本发明提供的一种基于生成对抗网络的翼型设计方法流程图。
本实施例考虑一种无人机翼型，该无人机任务阶段包括发动机启动暖机，滑跑，起飞，爬升加速，巡航，下降，着陆，滑跑，关机(如图5所示)。主要确定了无人机在失速，起飞，爬升率，爬升速率，巡航时的飞行性能。选取飞行器的巡航阶段作为设计目标，通过巡航状态下的飞行器所需的升力系数为0.2272作为输入，得到符合目标的翼型。
具体地，先训练编码器和生成网络，获取服从高斯分布的隐代码，包括：
步骤S1，收集翼型数据以及对应的升力系数数据用作训练。具体地：
步骤S1.1，采用CST参数化方法随机生成翼型数据，翼型的训练数据与测试数据的采样范围见图2。翼型的几何数据为翼型离散点的坐标x、y，x固定为
Figure BDA0003579964950000041
其中，np为翼型上表面离散点的数量，本实施例中取99，翼型下表面离散点的x轴坐标与上表面相同；i为1到np的正整数。
步骤S1.2，采用开源空气动力学软件XFOIL对步骤S1.1生成的翼型形状在攻角为1.1319°来流速度为50m/s，雷诺数为1.46×106的条件下进行空气动力学计算；
步骤S1.3，分析步骤S1.2中的空气动力学计算结果，得到升力系数。
步骤S2，编码器E输入翼型数据y，输出隐代码的分布z，表示为E(y)。其中，编码器E是一个将高维度的数据样本降维成低纬度的神经网络，输入为翼型数据的y值，输出为隐代码的分布z。编码器E的网络结构(图3)为3层全连接层，每层全连接层后接批量归一化层和LeakyReLU激活函数。由于输出的隐代码要近似标准正态分布，则编码器E的输出为z的平均值μz和标准差σz。
Figure BDA0003579964950000042
其中
Figure BDA0003579964950000043
为标准高斯分布；⊙表示点乘；
步骤S3，隐代码随机采样。其中隐代码z1从E(y)随机采样，隐代码z2从
Figure BDA0003579964950000044
随机采样；
步骤S4，生成网络G输入升力系数Cl和隐代码z1，生成翼型y′1。其中，生成网络G用来生成多样化的翼型，输入为升力系数Cl和隐代码
Figure BDA0003579964950000045
输出为生成翼型坐标点的y值。生成网络G的网络结构(图3)采用Unet网络模型，网络结构比较对称，常用于输入输出维度一致的模型。翼型的多样性通过从标准正态分布中反复采样隐代码z来实现；
步骤S5，生成网络G输入升力系数Cl和隐代码z2，生成翼型y′2。其中，生成网络G与步骤S4中的生成网络为同一个；
步骤S6，编码器E输入生成翼型数据y′2，输出隐代码z′2。其中，编码器E与步骤S2中的编码器为同一个；
步骤S7，判别网络D分别输入翼型数据y、y′1、y′2和升力系数Cl，得到输出D(Cl，y)、D(Cl，y′1)、D(Cl，y′2)。其中，判别网络D作为一个裁判来区分输入的数据是来自真实样本还是通过生成网络G产生的，若是来自真实样本，则输出趋向于1，若是来自生成网络G，则输出趋向于0。判别网络D的网络结构(图3)通过多层全连接层连接，每层全连接层后接批量归一化层和ReLU激活函数。
步骤S8，计算目标函数：
Figure BDA0003579964950000051
Figure BDA0003579964950000052
Figure BDA0003579964950000053
Figure BDA0003579964950000054
Figure BDA0003579964950000055
其中，pdata表示训练数据集的数据；其中，D(*)表示判别器D的输出，G(*)表示生成网络G的输出，E(*)表示编码器E的输出，
Figure BDA0003579964950000056
为散度，用来衡量两个分布的相似性，p(y)表示y的隐函数。
步骤S9，通过目标函数更新神经网络参数：
Figure BDA0003579964950000057
其中，λb、λz、λKL为超参数，在这里分别为10，1，10；
步骤S10，从步骤二开始反复训练，当生成网络G达到收敛时，结束训练。其中，收敛准则为
Figure BDA0003579964950000058
训练结束后，本实施例最终考虑在巡航状态机翼的升力系数为0.2272，以此为目标设计翼型。通过对隐代码反复采样，得到设计结果见图6，共有16种不同的翼型可供选择，翼型从左往右，从上到下分别编号为1-16号，翼型上方为气动软件计算得到的升阻系数。将这些翼型重叠起来见图7，可以看到生成的翼型在外形上比较接近，在细节上有所差别，主要变化在于翼型下表面前缘处。
由图6上的翼型升阻系数可知，2号、3号、7号、14号翼型的升力系数没有达到0.2272，不符合预期目标，故舍去。为了对比其他翼型的优劣，计算其升阻比得到下表。由下表可知，13号翼型的升阻比最大，且升力系数为0.251，符合飞行器在巡航状态下的升力需求，可以考虑采用13号翼型作为设计结果。图8为采用13号翼型的无人机示意图。
Figure BDA0003579964950000061
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (7)

1.一种基于生成对抗网络的翼型设计方法，其特征在于，该方法通过随机采样服从高斯分布的隐代码，与目标气动力系数作为生成网络G的输入，使生成网络输出多样性的翼型几何数据从而实现翼型设计；其中，生成网络G的训练过程具体包括：
步骤S1，收集翼型数据用作训练；所述翼型数据包括翼型的几何数据以及目标气动力系数数据，其中，翼型的几何数据为翼型离散点的坐标x、y，将不同翼型的x固定并分别统一为相同的值；所述目标气动力系数C为升力系数Cl和/或阻力系数Cd；
步骤S2，构建一编码器E输入翼型数据y，输出隐代码的分布z；表示为：
Figure FDA0003579964940000011
其中
Figure FDA0003579964940000012
为标准高斯分布；μz和σz分别为z的平均值和标准差；⊙表示点乘；
步骤S3，隐代码随机采样；其中，隐代码z1从z中随机采样，隐代码z2从
Figure FDA0003579964940000013
随机采样；
步骤S4，将隐代码z1和z2分别与目标参数组成数组作为生成网络G的输入，生成网络G输出预测的翼型坐标y′1、y′2；同时利用编码器E输入生成翼型数据y′2，输出隐代码z′2；
步骤S5，构建一判别网络D分别输入翼型数据y、y′1、y′2和目标气动力系数，判别数据真伪；
步骤S6，通过目标函数训练更新神经网络参数，当生成网络G达到收敛时，结束训练，获得训练好的生成网络和服从高斯分布的隐代码，目标函数表示为：
Figure FDA0003579964940000014
其中，λb、λz、λKL为超参数；
Figure FDA0003579964940000015
Figure FDA0003579964940000016
Figure FDA0003579964940000017
Figure FDA0003579964940000018
Figure FDA0003579964940000019
其中，pdata表示训练数据集的数据；
Figure FDA00035799649400000110
为期望，||*||1为正则化函数，D(*)表示判别器D的输出，G(*)表示生成网络G的输出，E(*)表示编码器E的输出，
Figure FDA0003579964940000021
为散度，用来衡量两个分布的相似性，p(y)表示y的隐函数。
2.如权利要求1所述的方法，其特征在于，所述步骤S1具体包括如下子步骤：
步骤S1.1，将x固定为
Figure FDA0003579964940000022
其中，np为翼型上表面离散点的数量，翼型下表面离散点的x轴坐标与上表面相同；i为1到np的正整数；使用CST参数化方法生成翼型形状，得到该样本点表示的几何外形；
步骤S1.2，采用开源空气动力学软件XFOIL对步骤S1.1生成的翼型形状在一定来流条件下进行空气动力学计算；
步骤S1.3，分析步骤S1.2中的空气动力学计算结果，得到所需的气动力系数，获得翼型数据。
3.如权利要求1所述的方法，其特征在于，所述步骤S2中，编码器E的网络结构为3层全连接层，每层全连接层后接批量归一化层和LeakyReLU激活函数。
4.如权利要求1所述的方法，其特征在于，生成网络G的网络结构采用Unet网络。
5.如权利要求1所述的方法，其特征在于，所述步骤S5中，判别网络D的网络结构通过多层全连接层连接，每层全连接层后接批量归一化层和ReLU激活函数。
6.如权利要求1所述的方法，其特征在于，从生成网络输出的多样性的翼型几何数据中去除升阻系数不符合的翼型，再选择升阻比最大的翼型作为设计结果。
7.如权利要求1所述的方法，其特征在于，所述步骤S6中，收敛准则为
Figure FDA0003579964940000023
CN202210350609.6A 2022-04-02 2022-04-02 一种基于生成对抗网络的翼型设计方法 Pending CN114722498A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210350609.6A CN114722498A (zh) 2022-04-02 2022-04-02 一种基于生成对抗网络的翼型设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210350609.6A CN114722498A (zh) 2022-04-02 2022-04-02 一种基于生成对抗网络的翼型设计方法

Publications (1)

Publication Number Publication Date
CN114722498A true CN114722498A (zh) 2022-07-08

Family

ID=82241977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210350609.6A Pending CN114722498A (zh) 2022-04-02 2022-04-02 一种基于生成对抗网络的翼型设计方法

Country Status (1)

Country Link
CN (1) CN114722498A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628854A (zh) * 2023-05-26 2023-08-22 上海大学 一种翼型气动特性预测方法、***、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628854A (zh) * 2023-05-26 2023-08-22 上海大学 一种翼型气动特性预测方法、***、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN106529093B (zh) 一种针对大展弦比机翼的气动/结构/静气弹耦合优化方法
Thirumalainambi et al. Training data requirement for a neural network to predict aerodynamic coefficients
CN110516318B (zh) 基于径向基函数神经网络代理模型的翼型设计方法
CN110110384A (zh) 一种基于浓度策略的非支配遗传算法在飞机翼形设计优化中的应用方法
CN113777931B (zh) 结冰翼型气动模型构造方法、装置、设备及介质
CN112699622B (zh) 一种固定翼无人机的紧密编队气动耦合效应建模方法
CN114722498A (zh) 一种基于生成对抗网络的翼型设计方法
CN115438584A (zh) 一种基于深度学习的翼型气动力预测方法
CN111598435A (zh) 一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法
Liu et al. Deep-learning-based aerodynamic shape optimization of rotor airfoils to suppress dynamic stall
Moin et al. Airfoil’s aerodynamic coefficients prediction using artificial neural network
Karali et al. Design of a deep learning based nonlinear aerodynamic surrogate model for UAVs
CN113408044A (zh) 一种多旋翼无人机桨叶优化设计方法
Lane et al. A surface parameterization method for airfoil optimization and high lift 2D geometries utilizing the CST methodology
CN109783858A (zh) 一种用于低雷诺数翼型优化的方法
Greenman et al. High-lift optimization design using neural networks on a multi-element airfoil
Johnson et al. Using artificial neural networks and self-organizing maps for detection of airframe icing
CN108009320A (zh) 一种高超声速飞行器面向控制的多***关联建模方法
CN113110558B (zh) 一种混合推进无人机需求功率预测方法
Khurana et al. Development and validation of an efficient direct numerical optimisation approach for aerofoil shape design
CN115796021A (zh) 一种基于神经网络的变体飞行器自适应pid控制参数整定方法
Ivanov et al. Influence of selected turbulence model on the optimization of a class-shape transformation parameterized airfoil
CN111625901B (zh) 一种面向翼型的压力系数曲线智能生成方法
Kody et al. An efficient methodology for using a multi-objective evolutionary algorithm for winglet design
CN114676639A (zh) 基于神经网络的飞行器气动外形优化方法、装置及介质

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