融合GAN和迁移学习的气动形状优化设计方法及系统及设备技术方案

融合GAN和迁移学习的气动形状优化设计方法及系统及设备，包括以下步骤：采集设计参数建立计算流体动力学模拟流程；获取已完成相似优化任务的样本信息；建立生成对抗神经网络GAN，得到潜变量设计空间；基于潜变量设计空间，收集对应的样本集；搜索EI函数最大化的坐标得到新坐标；对新坐标的几何设计进行性能评估，将评估后得到的两组样本加入样本集合中；对于更新后的样本集合循环执行建立代理模型，搜索新样本，添加新样本的步骤直到满足优化停止条件。本发明专利技术解决了不同设计任务参数化空间无法兼容的问题，利用已完成的类似任务的解，加速目标任务的求解，突破经典设计优化方法针对各具体优化问题“从零开始”的局限，提高新任务的优化效率。务的优化效率。务的优化效率。

【技术实现步骤摘要】
融合GAN和迁移学习的气动形状优化设计方法及系统及设备


[0001]本专利技术属于气动形状设计优化领域，特别涉及融合GAN和迁移学习的气动形状优化设计方法及系统及设备。

技术介绍

[0002]近年来，在机械部件气动形状工程优化领域，自动化的优化设计方法受到越来越广泛的应用。自动优化设计方法需要人为确定一个可以参数化的设计空间，空间中的每个样本都对应一个具体的几何设计方案。以计算机模拟计算的结果作为寻优的目标，借助特定的优化算法就可以自动化地设计得到具有优异气动性能的部件几何形状。自动化设计方法的使用可以有效减少对于设计人员经验的需求，快速高质量地完成设计。
[0003]然而，高精度的CFD样本计算往往需要消耗大量了的时间和计算资源，因此减少优化设计过程中的样本计算次数、提高优化设计的效率具有重大的工程意义。

技术实现思路

[0004]本专利技术的目的在于提供一种融合GAN和迁移学习的气动形状优化设计方法及系统及设备，通过对已完成相似优化任务样本信息的灵活利用以实现。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]融合GAN和迁移学习的气动形状优化设计方法，包括以下步骤：
[0007]采集设计对象的设计参数建立计算流体动力学模拟流程，同时确定优化设计的优化目标性能；
[0008]获取已完成相似优化任务的样本信息。在此相似的优化任务定义为具有相似流动特征的优化任务，比如两个同样工作在亚音速工况下但马赫数、雷诺数等工况参数不完全相同的叶栅。将对上述相似任务的样本进行采集，并采用相同的散点表示形式进行型线数据表征。
[0009]记这些样本数据为{X
data
,Y
data
}，假设已有样本的个数为n
data
，每个样本包含几何设计数据X
data
与代表优化目标的性能结果数据Y
data
；
[0010]使用几何设计数据X
data
建立生成对抗神经网络GAN，得到新的潜变量设计空间，设计空间的设计变量个数为d；
[0011]通过训练完成的对抗神经网络，输入d维数据后输出一个几何设计，将所获得的潜变量设计空间用Z表示；使用GA算法将几何设计源数据样本{X
data
,Y
data
}投影到空间Z中，记为{Z
S
,Y
S
}；
[0012]空间Z中的初始样本的数量为n
ini
＝6d，Z空间中的样本坐标集合记为Z
T
，对获取的样本进行评估，获得对应的评估值Y
T
；
[0013]使用样本集合{Z
T
,Y
T
}，分别建立代理模型，搜索EI函数最大化的坐标得到新坐标
[0014]分别对新坐标对于的几何设计进行性能评估，将评估后得到的两组样本加入样本集合{Z
T
,Y
T
}中；
[0015]对于更新后的样本集合循环执行建立代理模型，搜索新样本，添加新样本的步骤直到满足优化停止条件。
[0016]进一步的，采集设计对象的设计参数建立计算流体动力学模拟流程。
[0017]进一步的，从数据库中获取已完成相似优化任务的样本信息。
[0018]进一步的，设计变量个数d为自行确定的整数，数值越大，空间中几何设计的变化范围就越大，设计细节就越丰富。
[0019]进一步的，训练完成的对抗神经网络中，生成器的输入变量z为d维的在[0,1]区间内均匀分布的随机变量，GAN神经网络中设置训练的迭代次数为50000步。
[0020]进一步的，在空间Z中采用LHS方法进行初始采样。
[0021]进一步的，使用样本集合{Z
T
,Y
T
}，建立单保真度的Kriging代理模型对于所建立的代理模型，搜索EI函数最大化的坐标得到新坐标
[0022]进一步的，使用样本集合{Z
T
,Y
T
}作为高精度样本，使用样本集合{Z
S
,Y
S
}作为低精度样本，建立多保真度co
‑
Kriging代理模型对于所建立的代理模型，搜索EI函数最大化的坐标得到新坐标
[0023]进一步的，融合GAN和迁移学习的气动形状优化系统，包括：
[0024]流体动力学模拟流程建立模块，用于采集设计对象的参数建立计算流体动力学模拟流程，同时确定优化设计的优化目标性能；
[0025]数据获取模块，用于获取已完成相似优化任务的样本信息，记这些样本数据为{X
data
,Y
data
}，假设已有样本的个数为n
data
，每个样本包含几何设计数据X
data
与代表优化目标的性能结果数据Y
data
；
[0026]对抗神经网络建立模块，用于使用几何设计数据X
data
建立生成对抗神经网络GAN，得到新的潜变量设计空间，设计空间的设计变量个数为d；通过训练完成的对抗神经网络，输入d维数据后输出一个几何设计，将所获得的潜变量设计空间用Z表示；几何设计源数据样本{X
data
,Y
data
}均投影到空间Z中，记为{Z
S
,Y
S
}；在投影过程中，通过GA算法优化来逼近几何模型在空间Z中的对应坐标Z
S
，优化搜索的输入为Z空间中的坐标，优化的目标是使得Z空间中坐标通过生成器生成的几何模型与X
data
中实际模型的误差最小；Y
S
的取值与Y
data
相同。
[0027]评估值获取模块，用于空间Z中的初始样本的数量为n
ini
＝6d，Z空间中的样本坐标集合记为Z
T
，对获取的样本进行评估，获得对应的评估值Y
T
；
[0028]新坐标获取模块，用于使用样本集合{Z
T
,Y
T
}，分别建立代理模型，搜索EI函数最大化的坐标得到新坐标
[0029]评估模块，用于分别对新坐标对于的几何设计进行性能评估，将评估后得到的两组样本加入样本集合{Z
T
,Y
T
}中；对于更新后的样本集合循环执行建立代理模型，搜索新样本，添加新样本的步骤直到满足优化停止条件。
[0030]进一步的，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在
所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现融合GAN和迁移学习的气动形状优化设计方法的步骤。
[0031]与现有技术相比，本专利技术有以下技术效果：
[0032]本专利技术使用了深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.融合GAN和迁移学习的气动形状优化设计方法，其特征在于，包括以下步骤：采集设计对象的设计参数建立计算流体动力学模拟流程，同时确定优化设计的优化目标性能；获取已完成相似优化任务的样本信息，记这些样本数据为{X
data
,Y
data
}，假设已有样本的个数为n
data
，每个样本包含用散点表示的几何设计数据X
data
与代表优化目标的性能结果数据Y
data
；使用几何设计数据X
data
建立生成对抗神经网络GAN，得到新的潜变量设计空间，设计空间的设计变量个数为d；通过训练得到的生成器，输入d维数据后输出一个几何设计，所获得的潜变量设计空间用Z表示；使用GA算法将几何设计源数据样本{X
data
,Y
data
}均投影到空间Z中，记为{Z
S
,Y
S
}；空间Z中的初始样本的数量为n
ini
＝6d，Z空间中的样本坐标集合记为Z
T
，对获取的样本进行评估，获得对应的评估值Y
T
；使用样本集合{Z
T
,Y
T
}，分别建立代理模型，搜索EI函数最大化的坐标得到新坐标分别对新坐标对于的几何设计进行性能评估，将评估后得到的两组样本加入样本集合{Z
T
,Y
T
}中；对于更新后的样本集合循环执行建立代理模型，搜索新样本，添加新样本的步骤直到满足优化停止条件。2.根据权利要求1所述的融合GAN和迁移学习的气动形状优化设计方法，其特征在于，建立得到优化目标性能参数的计算流体动力学评估模型。3.根据权利要求1所述的融合GAN和迁移学习的气动形状优化设计方法，其特征在于，从数据库中获取已完成相似优化任务的样本信息。4.根据权利要求1所述的融合GAN和迁移学习的气动形状优化设计方法，其特征在于，设计变量个数d为自行确定的整数，数值越大，空间中几何设计的变化范围就越大，设计细节就越丰富。5.根据权利要求1所述的融合GAN和迁移学习的气动形状优化设计方法，其特征在于，训练完成的GAN神经网络中，生成器的输入变量z为d维的在[0,1]区间内均匀分布的随机变量，GAN神经网络中设置训练的迭代次数为50000步。6.根据权利要求1所述的融合GAN和迁移学习的气动形状优化设计方法，其特征在于，在空间Z中采用LHS方法进行初始采样。7.根据权利要求1所述的融合GAN和迁移学习的气动形状优化设计方法，其特征在于，使用样本集合{Z
T
...

【专利技术属性】
技术研发人员：郭振东，汪祺能，宋立明，李军，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：