【技术实现步骤摘要】
本专利技术属于空气动力学和深度学习，涉及一种基于多任务学习的翼型气动数据计算方法及系统。
技术介绍
1、翼型优化设计是飞行器设计中的关键步骤，决定了飞行器在实际飞行中的性能指标，而准确的计算翼型的升力、阻力等气动数据对翼型的设计优化和飞行器的性能、机动性、稳定性有着极其重要的影响，但翼型气动分析往往存在周期长、计算资源开销大等缺点，不适用于复杂多变的飞行器飞行环境。
2、传统翼型气动分析的方法一般为cfd模拟仿真，优点在于不存在操作安全性风险，同时计算近似控制方程，数据精度相对较高，花费相对较小；缺点在于计算精度易受网格密度的影响，同时在翼型优化、流固耦合等需要大迭代流动解时是一种十分耗时的计算过程，并且部分复杂的控制方程没有数值解。目前比较流行的解决方法是rom降解模型、深度学习方法等。rom降解模型对控制方程进行降阶，简化了控制方程，提高了求解效率，但数据间的高度非线性使得其计算气动数据更加困难，难以适用于多尺度、瞬态和不连续过程，而深度学习方法恰好能够弥补传统方法的不足，因此本专利技术采用深度学习的方法进行飞行器气动数
【技术保护点】
1.一种基于多任务学习的翼型气动数据计算方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于多任务学习的翼型气动数据计算方法，其特征在于：在步骤S1中，具体包括：
3.根据权利要求2所述的一种基于多任务学习的翼型气动数据计算方法，其特征在于：在步骤S2中，具体包括：
4.根据权利要求3所述的一种基于多任务学习的翼型气动数据计算方法，其特征在于：在步骤S3中，具体包括：
5.根据权利要求4所述的一种基于多任务学习的翼型气动数据计算方法，其特征在于：在步骤S4中，具体包括：
6.一种基于多任务...
【技术特征摘要】
1.一种基于多任务学习的翼型气动数据计算方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于多任务学习的翼型气动数据计算方法，其特征在于：在步骤s1中，具体包括：
3.根据权利要求2所述的一种基于多任务学习的翼型气动数据计算方法，其特征在于：在步骤s2中，具体包括：
4.根据权利要求3所述...
【专利技术属性】
技术研发人员：孟菲，陈超，黄宏宇，谢志江，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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。