一种基于生成对抗网络的翼型设计方法技术

本发明专利技术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(本发明专利技术中为高斯分布)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。的多样化翼型。的多样化翼型。

【技术实现步骤摘要】
一种基于生成对抗网络的翼型设计方法


[0001]本专利技术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。

技术介绍

[0002]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。

技术实现思路

[0003]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。本专利技术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。
[0004]为了达到上述目的，本专利技术采用的技术思路如下：
[0005]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：
[0006]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C
l
和/或阻力系数C
d
。
[0007]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：
[0008][0009]其中为标准高斯分布；μ
z
和σ
z
分别为z的平均值和标准差，
⊙
表示点乘。
[0010]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从随机采样；
[0011]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。
[0012]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；
[0013]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：
[0014][0015]其中，λ
b
、λ
z
、λ
KL
为超参数；
[0016][0017][0018][0019][0020][0021]其中，p
data
表示训练数据集的数据；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，为散度，用来衡量两个分布的相似性，p(y)表示y的隐函数。
[0022]进一步地，所述步骤S1具体包括如下子步骤：
[0023]步骤S1.1，将x固定为
[0024][0025]其中，n
p
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n
p
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；
[0026]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；
[0027]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。
[0028]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。
[0029]进一步地，生成网络G的网络结构采用Unet网络。
[0030]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。
[0031]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。
[0032]进一步地，所述步骤S6中，收敛准则为
[0033][0034]本专利技术的有益效果为：
[0035]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。
[0036]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
[0037]图1为本专利技术的流程图；
[0038]图2为翼型训练数据与测试数据的采样范围；
[0039]图3为各类神经网络结构示意图；
[0040]图4为生成网络中Unet网络结构示意图；
[0041]图5为一种无人机飞行任务剖面图；
[0042]图6为本专利技术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；
[0043]图7为将图6中不同翼型重叠的结果；
[0044]图8为本专利技术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
[0045]下面结合附图对本专利技术进行详细的描述。
[0046]图1是本专利技术提供的一种基于生成对抗网络的翼型设计方法流程图。
[0047]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。
[0048]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：
[0049]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：
[0050]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
[0051][0052]其中，n
p
为翼型上表面离散点的数量，本实施例中取99，翼型下表面本文档来自技高网...

【技术保护点】

【技术特征摘要】
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C
l
和/或阻力系数C
d
；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：其中为标准高斯分布；μ
z
和σ
z
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：其中，λ
b
、λ
z
、λ
KL
为超参数...

【专利技术属性】
技术研发人员：季廷炜，谢李兴，谢芳芳，张鑫帅，朱灶旭，郑耀，
申请(专利权)人：浙江大学，
类型：发明
国别省市：