一种融合CNN和SwinTransformer网络的翼型优化方法技术

本发明专利技术公开了一种融合CNN和Swin Transformer网络的翼型优化方法，具体步骤如下：通过参数化方式对翼型外型进行表征，并采用计算流体力学数值模拟方式获取真实流场解算值，构建所需的数据集；对获取的翼型外型参数和真实流场数据集进行归一化预处理；对翼型外型参数化控制点坐标进行线性编码，对特征维度进行拓充；利用双线性上采样方式将相邻维度的特征图重塑为高分辨率的特征图；利用CNN网络和Swin Transformer构建Swin Conv Transformer Block基本网络模块进行流场特征提取；进行迭代计算，网络预测流场与真实流场值进行对比，直到达到最大训练步长；利用训练好的最优模型获取相应翼型的流场图像；通过系列翼型的流场特征对比，确定翼型优化方向。确定翼型优化方向。确定翼型优化方向。

【技术实现步骤摘要】
一种融合CNN和Swin Transformer网络的翼型优化方法


[0001]本专利技术属于翼型优化
，特别涉及一种融合CNN和Swin Transformer网络的翼型优化方法。

技术介绍

[0002]工业上的飞机设计过程是一个复杂的过程，翼型优化设计一定程度决定其整体气动性能；而流场则直观反映其整体气动性能，故流场通常在翼型设计和优化中被考虑。
[0003]翼型优化设计通常需要利用计算流体力学来进行数值模拟仿真，但由于翼型外形的设计空间往往具有高维度的特征，该过程通常会耗费较大的计算时间。为了解决此问题，相关学者对设计空间进行降维处理，例如，传统的方法通过构造低维度的参数方程，进而替换为对相关参数进行优化；常见的有响应面模型、克里格模型等被广泛使用。然而这些方式仅限于获取气动参数，在优化约束条件下，以获取最大的升阻比为优化目的。但由此也带来了一定问题，仅以气动参数来评估翼型优化是不完整的，它丢弃了流场中详细气动特征，这种优化方式更多依赖于经验而不是严格的理论，进而对于翼型优化来说也是片面的。现代空气动力学理论已经建立起流场结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合CNN和Swin Transformer网络的翼型优化方法，其特征在于：具体步骤如下：(1)通过参数化方式对翼型外型进行表征，并采用计算流体力学数值模拟方式获取真实流场解算值，构建所需的数据集；(2)对获取的翼型外型参数和真实流场数据集进行归一化预处理；(3)对翼型外型参数化控制点坐标进行线性编码，对特征维度进行拓充；(4)利用双线性上采样方式将相邻维度的特征图重塑为高分辨率的特征图；(5)利用CNN网络和Swin Transformer构建Swin Conv Transformer Block基本网络模块进行流场特征提取；(6)进行迭代计算，网络预测流场与真实流场值进行对比，直到模型收敛或达到最大训练步长；(7)利用训练好的模型获取相应翼型的流场图像；(8)通过系列翼型的流场特征对比，确定翼型优化方向。2.如权利要求1所述的一种融合CNN和Swin Transformer网络的翼型优化方法，其特征在于：所述步骤(1)中通过参数化的方式对翼型外型进行表征，采用计算流体力学数值模拟方式获取真实流场解算值，构建所需的数据集，具体包括以下步骤：(11)给定控制参数为NURBS曲线控制点坐标，采用拉丁超立方采样方法生成一系列翼型外型控制点坐标；(12)利用步骤(11)中相应的控制点坐标参数生成翼型B样条曲线；(13)使用网格生成软件划分翼型外流场结构网格；(14)建立Navier
‑
Stocks方程模型，导入网格对翼型真实流场进行求解，并得到真实流场数据集。3.如权利要求1所述的一种融合CNN和Swin Transformer网络的翼型优化方法，其特征在于：所述步骤(2)中对获取的数据集进行预处理，具体包括以下步骤：(21)对每一个翼型外型参数及解算的真实流场数据集进行归一化处理，具体归一化方式如公式(1)所示：其中，X表示归一化后的数值，x表示数据集原始数值，x
min
表示数据集中最小值，x
max
表示数据集中最大值；(22)将步骤(21)中归一化处理的数据集进行切割划分为80％的训练集以及20％的测试集，测试集用来验证最终的模型预测效果。4.如权利要求1所述的一种融合CNN和Swin Transformer网络的翼型优化方法，其特征在于：所述步骤(4)中的双线性上采样方式，具...

【专利技术属性】
技术研发人员：王枭，张来平，邓小刚，邹舒帆，王靖宇，
申请(专利权)人：四川大学，
类型：发明
国别省市：