基于VAE-GAN和自注意力机制的压力系数预测方法技术

本发明专利技术具体涉及基于VAE

【技术实现步骤摘要】
基于VAE
‑
GAN和自注意力机制的压力系数预测方法


[0001]本专利技术涉及空气动力学
，具体涉及基于VAE
‑
GAN和自注意力机制的压力系数预测方法。

技术介绍

[0002]机翼气动性能是飞机设计的一个重要问题，因为它直接影响飞机的飞行性能、机动性和稳定性，压力系数则是描述机翼表面相对压力的典型空气动力学系数，压力系数的精准预测对飞机设计有重要意义。
[0003]其中，翼型的几何形状极大地影响了机翼气动性能，通常使用一组翼型几何参数去表征翼型的几何形状，例如弦长、厚度等，但是不管是手动设计参数还是多项式表征参数，都只能对翼型几何形状近似的表征，这是迫切需要解决的问题。同时，大多数气动性能研究忽略了翼型环境和翼型形状之间的耦合关系对气动性能的影响，只是单纯分析翼型形状与气动性能的关系，使得结果不准确，因此如何平衡翼型形状、翼型环境对气动预测结果的影响也是我们研究的问题之一。
[0004]随着信息化时代的来临，数据呈现爆炸式增长，从而也催生出了许多优秀的数据分析方法，而深度学习便是其中最为闪耀的新星。深度学习即DNN通过设计多层神经网络，不断的加深以及拓宽每一层的神经元，理论上可以映射到任意函数，从而解决十分复杂的问题，其在图像识别、面部识别等领域表现十分突出。同样在飞机气动性能分析、流场预测等流体力学、空气动力学领域，深度学习也表现出了惊人的潜能，使用深度学习进行特征提取、特征融合等是流体力学分析常用的方法。然而，如何设计一种能够基于深度学习方法实现翼型的特征提取和压力系数曲线的预测的方法是亟需解决的技术问题。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种基于VAE
‑
GAN和自注意力机制的压力系数预测方法，能够提取翼型几何特征、流形特征和环境特征等多个维度特征，并且能够分析不同特征之间的相互影响和相关性，进而更好的融合不同特征之间的相互关系，从而能够提高机翼压力系数预测的全面性和准确性，并为机翼的气动预测提供一种新的思路。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]基于VAE
‑
GAN和自注意力机制的压力系数预测方法，其特征在于，包括：
[0008]S1：获取待预测的翼型二维坐标；
[0009]S2：将待预测的翼型二维坐标输入经过训练的压力预测模型中，输出对应的预测压力系数曲线；
[0010]压力预测模型基于VAE
‑
GAN网络构建；
[0011]训练时，将用作训练样本的翼型二维坐标和真实压力系数曲线作为压力预测模型的模型输入：首先，VAE的编码器基于翼型二维坐标提取对应的翼型几何特征、翼型流形特
征和翼型环境特征，并通过自注意力模块分析翼型几何特征、翼型流形特征和翼型环境特征之间的相互影响，再通过特征融合网络融合自注意力模块输出的自注意力特征，生成对应的翼型融合特征；然后，VAE的解码器分别基于翼型融合特征和设置的随机噪声生成对应的预测压力系数曲线和虚假压力系数曲线；最后，GAN的鉴别器基于真实压力系数曲线结合生成的预测压力系数曲线和虚假压力系数曲线计算对应的损失函数，进而基于损失函数更新压力预测模型的网络参数，直至模型收敛；
[0012]S3：将压力预测模型输出的预测压力系数曲线作为对应的压力系数预测结果。
[0013]优选的，步骤S2中，通过卷积神经网络对翼型二维坐标进行编码，提取对应的翼型几何特征，并将翼型几何特征转换为预设维度的数据。
[0014]优选的，步骤S2中，首先通过贝塞尔曲线提取翼型二维坐标的黎曼度量和曲率作为对应的翼型流形特征；然后通过全连接神经网络对翼型流形特征进行编码，以将翼型流形特征转换为预设维度的数据。
[0015]优选的，使用贝塞尔曲线将翼型二维坐标表示为多个多项式，从每个多项式的切线空间计算两个垂直向量的内积，进而提取对应的黎曼度量；
[0016]公式描述如下：
[0017][0018][0019][0020]式中：g
vw
(t)表示翼型在t处的黎曼度量；表示偏导数的方向；表示每段贝塞尔曲线对参数t求偏导；r(D；t)表示贝塞尔曲线的函数；P
i
表示翼型坐标；D表示翼型坐标所在的样本空间；t表示贝塞尔曲线的参数；n表示贝塞尔曲线的阶数；
[0021]通过如下公式计算曲率：
[0022][0023]式中：C表示曲率；R表示曲率半径，即曲率的倒数；y
′
表示翼型纵坐标y的一阶导数；y
″
表示翼型纵坐标y的二阶导数。
[0024]优选的，步骤S2中，翼型环境特征包括马赫数、翼型攻角和雷诺数；通过全连接神经网络对翼型环境特征进行编码，以将翼型环境特征转换为预设维度的数据。
[0025]优选的，步骤S2中，自注意力模块的工作逻辑如下：
[0026]S201：将翼型几何特征、翼型流形特征和翼型环境特征通过神经网络提取后的特征作为自注意力模块的输入向量；
[0027]S202：对于每一个输入向量a
i
，分别乘上三个系数w
q
、w
k
、w
v
；
[0028]公式描述如下：
[0029]q
i
＝w
q
·
a
i
[0030]k
i
＝w
k
·
a
i
；
[0031]v
i
＝w
v
·
a
i
[0032]式中：q、k、v分别表示query、key和value；
[0033]S203：通过q、k计算两个输入向量之间的相关性，即计算Attention的值α，所有α组成的矩阵即表示为相关性矩阵A；
[0034]公式描述如下：
[0035][0036]α
i,j
＝q
i
·
k
j
；
[0037]S204：对相关性矩阵A进行softmax操作或者relu操作得到对应的关系矩阵A
′
；
[0038]S205：通过关系矩阵A
′
计算每个输入向量a
i
的self
‑
attention层的输出向量b
i
，作为对应输入向量即对应特征的自注意力特征；
[0039]公式描述如下：
[0040][0041]式中：b
i
表示输入向量a
i
考虑了所有输入向量相互影响的自注意力特征；v
i
＝w
v
·
a
i
，表示输入向量与权重矩阵的乘积；α
′
i,j<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于VAE
‑
GAN和自注意力机制的压力系数预测方法，其特征在于，包括：S1：获取待预测的翼型二维坐标；S2：将待预测的翼型二维坐标输入经过训练的压力预测模型中，输出对应的预测压力系数曲线；压力预测模型基于VAE
‑
GAN网络构建；训练时，将用作训练样本的翼型二维坐标和真实压力系数曲线作为压力预测模型的模型输入：首先，VAE的编码器基于翼型二维坐标提取对应的翼型几何特征、翼型流形特征和翼型环境特征，并通过自注意力模块分析翼型几何特征、翼型流形特征和翼型环境特征之间的相互影响，再通过特征融合网络融合自注意力模块输出的自注意力特征，生成对应的翼型融合特征；然后，VAE的解码器分别基于翼型融合特征和设置的随机噪声生成对应的预测压力系数曲线和虚假压力系数曲线；最后，GAN的鉴别器基于真实压力系数曲线结合生成的预测压力系数曲线和虚假压力系数曲线计算对应的损失函数，进而基于损失函数更新压力预测模型的网络参数，直至模型收敛；S3：将压力预测模型输出的预测压力系数曲线作为对应的压力系数预测结果。2.如权利要求1所述的基于VAE
‑
GAN和自注意力机制的压力系数预测方法，其特征在于，步骤S2中，通过卷积神经网络对翼型二维坐标进行编码，提取对应的翼型几何特征，并将翼型几何特征转换为预设维度的数据。3.如权利要求1所述的基于VAE
‑
GAN和自注意力机制的压力系数预测方法，其特征在于：步骤S2中，首先通过贝塞尔曲线提取翼型二维坐标的黎曼度量和曲率作为对应的翼型流形特征；然后通过全连接神经网络对翼型流形特征进行编码，以将翼型流形特征转换为预设维度的数据。4.如权利要求3所述的基于VAE
‑
GAN和自注意力机制的压力系数预测方法，其特征在于：使用贝塞尔曲线将翼型二维坐标表示为多个多项式，从每个多项式的切线空间计算两个垂直向量的内积，进而提取对应的黎曼度量；公式描述如下：公式描述如下：公式描述如下：式中：g
vw
(t)表示翼型在t处的黎曼度量；表示偏导数的方向；表示每段贝塞尔曲线对参数t求偏导；r(D；t)表示贝塞尔曲线的函数；P
i
表示翼型坐标；D表示翼型坐标所在的样本空间；t表示贝塞尔曲线的参数；n表示贝塞尔曲线的阶数；通过如下公式计算曲率：式中：C表示曲率；R表示曲率半径，即曲率的倒数；y
′
表示翼型纵坐标y的一阶导数；y
″
表示翼型纵坐标y的二阶导数。5.如权利要求1所述的基于VAE
‑
GAN和自注意力机制的压力系数预测方法，其特征在于：步骤S2中，翼型环境特征包括马赫数、翼型攻角和雷诺数；通过全连接神经网络对翼型
环境特征进行编码，以将翼型环境特征转换为预设维度的数据。6.如权利要求1所述的基于VAE
‑
GAN和自注意力机制的压力系数预测方法，其特征在于，步骤S2中，自注意力模块的工作逻辑如下：S201：将翼型几何特征、翼型流形特征和翼型环境特征通过神经网络提取后的特征作为自注意力模块的输入向量；S202：对于每一个输入向量a
i
，分别乘上三个系数w
q
、w
k
、w
v
；公式描述如下：q
i
＝w
q
·
a
i
k
i
＝w
k
.a
i
；v
i
＝w
v
.a
i
式中：q、k、v分别表示query、key和value；S203：通过q、k计算两个输入向量之...

【专利技术属性】
技术研发人员：谢志江，陈超，黄宏宇，杨川，杨朝旭，王成良，谢磊，孟德虹，杨海咏，
申请(专利权)人：重庆大学，
类型：发明
国别省市：