【技术实现步骤摘要】
涉及航空航天，具体是航空布撒器的气动外形优化技术。
技术介绍
1、航空布撒器作为一种关键的空中作战平台，广泛应用于现代军事作战中，特别是在防区外打击任务中。其独特的作战能力和战术灵活性使得航空布撒器在应对复杂战场环境中具有重要战略意义。航空布撒器的气动特性直接影响其飞行稳定性、航程、机动性及任务成功率。因此，优化其气动外形，提升其作战性能，成为航空布撒器设计领域的重要研究方向。
2、目前，在航空布撒器气动外形的优化设计中，传统方法主要依赖设计人员的经验和计算流体力学(cfd)模拟。cfd方法通过数值仿真来求解流体流动特性，但其计算过程非常复杂，尤其在面对非定常流动、超音速流动等情况下，cfd计算所需的时间和资源是巨大的。比如，传统cfd方法在进行翼型优化时，通常需要几百到上千次的仿真计算，且每次计算都需要高性能计算设备的支持。此外，cfd方法的准确性很大程度上依赖于网格划分和物理模型的选择，而这些因素往往需要专业的经验和长时间的调整。
3、另一方面，随着人工智能技术，尤其是深度学习技术的发展，越来越多的研究开始尝试将其应用于气动外形优化。深度生成对抗网络(gans)作为一种生成模型，在图像生成和样本学习中表现出色，能够在不依赖传统数值仿真的情况下生成合理的气动外形设计。许多研究也提出了基于深度学习的气动外形生成和优化方法。例如，基于变分自编码器(vae)的气动外形生成方法，通过学习已有的气动设计数据，生成新的设计样本。然而，这些方法通常集中于单一翼型设计，未能有效扩展到具有复杂几何形状的多部件飞行器，尤其
4、为了进一步提升设计效率，近年来有研究提出了将深度学习与cfd相结合的混合优化方法。通过深度生成模型和cfd仿真结果的结合，能够加速气动外形优化的过程。然而，这些方法通常集中于翼型优化，并没有针对具有复杂结构和多个可变参数的飞行器气动外形进行系统性设计，且其计算效率仍然无法满足高效优化的需求。
5、尽管现有的深度学习方法和cfd优化方法在单一翼型设计和简化气动外形优化中取得了一些进展，但它们在面对航空布撒器这种复杂的、由多个可变参数组成的气动外形时，依然存在显著的局限性。首先，现有的优化方法在处理复杂几何形状时，计算效率低下，优化过程需要大量时间和资源。其次，传统的基于深度学习的优化方法大多只适用于翼型设计，难以扩展到具有多自由度、复杂几何结构的航空布撒器。最后，现有方法在设计过程中缺乏对多个气动参数(如升阻比、压力中心等)的综合优化，通常只能单独优化某一项气动特性。
技术实现思路
1、为解决现有技术中存在的，现有的深度学习方法和cfd优化方法在面对航空布撒器这种复杂的、由多个可变参数组成的气动外形时，依然存在显著的局限性的技术缺陷，本专利技术提供的技术方案为：
2、一种基于深度神经网络的航空布撒器气动外形优化方法，包括：
3、采集使用深度生成对抗网络生成的航空布撒器气动外形的步骤；
4、根据卷积神经网络提取所述气动外形的图像特征并将其转化为形状参数的步骤；
5、根据所述形状参数，使用多任务学习模型预测气动数据，包括轴向力、法向力、俯仰力矩和压力中心的步骤；
6、根据所述预测气动数据的结果，采用差分进化算法对气动外形参数进行优化的步骤。
7、进一步，提供一个优选实施方式，还包括
8、通过datcom验证优化后的气动外形的步骤。
9、进一步，提供一个优选实施方式，所述深度生成对抗网络的生成器通过截断正态分布中的潜在变量生成气动外形，并使用标签信息展示外形特征。
10、进一步，提供一个优选实施方式，所述卷积神经网络包括四个卷积层和三个全连接层，用于提取气动外形特征并映射为形状参数。
11、进一步，提供一个优选实施方式，所述多任务学习模型通过专家神经网络和门控网络预测气动数据。
12、进一步，提供一个优选实施方式，所述差分进化算法使用100个种群和100次迭代优化气动外形。
13、基于同一专利技术构思，本专利技术还提供了一种基于深度神经网络的航空布撒器气动外形优化装置，包括：
14、采集使用深度生成对抗网络生成的航空布撒器气动外形的模块；
15、根据卷积神经网络提取所述气动外形的图像特征并将其转化为形状参数的模块；
16、根据所述形状参数，使用多任务学习模型预测气动数据，包括轴向力、法向力、俯仰力矩和压力中心的模块；
17、根据所述预测气动数据的结果，采用差分进化算法对气动外形参数进行优化的模块。
18、基于同一专利技术构思，本专利技术还提供了计算机储存介质，用于储存计算程序，当所述计算机程序被计算机读取时，所述计算机执行所述的方法。
19、基于同一专利技术构思，本专利技术还提供了计算机，包括处理器和储存介质，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行所述的方法。
20、基于同一专利技术构思，本专利技术还提供了计算机程序产品，作为计算机程序，当所述计算机程序被执行时，实现所述的方法。
21、与现有技术相比，本专利技术提供的技术方案的有益之处在于：
22、该方案通过结合深度神经网络(尤其是cwgan-gp和mmoe-3d模型)与传统气动优化方法，实现了航空布撒器气动外形的高效优化。首先，利用cwgan-gp生成多样化的气动外形并通过卷积神经网络(cnn)提取特征，从而显著提高了气动外形生成的速度和准确性。这一方式解决了传统方法依赖经验和cfd模拟的局限性，避免了大量复杂计算和长时间仿真，能够更快地为设计提供有效方案。与传统的基于经验或cfd的方法相比，基于深度学习的模型不仅大大减少了计算时间，还提高了设计的灵活性和创新性。
23、通过将mmoe-3d模型与差分进化算法(de)结合，本方案能够高效地预测和优化气动数据，进一步提升了气动外形的优化效果。mmoe-3d通过多任务学习方式预测气动数据，不仅能处理不同飞行条件下的复杂气动问题，还能够同时优化多个气动参数，如轴向力、法向力、俯仰力矩和压力中心等。与传统气动优化方法相比，mmoe-3d的多任务学习框架能够更好地捕捉各个气动特征之间的关系，减少了传统方法中单独优化各项参数的时间和资源消耗。
24、此外，本方案中的差分进化算法能够在多轮优化中调整气动外形参数，通过不断迭代优化过程来获取最佳设计方案。与常规的优化方法相比，de算法在优化过程中具有较强的全局搜索能力，能够避免陷入局部最优解，确保了最终优化结果具有更高的性能。在与传统方法(如基于cfd的优化)对比时，de优化不仅提高了计算效率，还能在较短时间内获得更加准确的设计参数。
25、总的来说，基于深度神经网络的优化方案通过生成对抗网络、卷积神经网络和多任务学习模型的结合，显著提升了气动外形的优化效率和精度，相比传统cfd和经验设计方法，不仅减少了计算时间，还提高了本文档来自技高网...
【技术保护点】
1.一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，还包括
3.根据权利要求1所述的一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，所述深度生成对抗网络的生成器通过截断正态分布中的潜在变量生成气动外形，并使用标签信息展示外形特征。
4.根据权利要求1所述的一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，所述卷积神经网络包括四个卷积层和三个全连接层，用于提取气动外形特征并映射为形状参数。
5.根据权利要求1所述的一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，所述多任务学习模型通过专家神经网络和门控网络预测气动数据。
6.根据权利要求1所述的一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，所述差分进化算法使用100个种群和100次迭代优化气动外形。
7.一种基于深度神经网络的航空布撒器气动外形优化装置，其特征在于，包括：
8.计算机储存介
9.计算机，包括处理器和储存介质，其特征在于，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行权利要求1所述的方法。
10.计算机程序产品，作为计算机程序，其特征在于，当所述计算机程序被执行时，实现权利要求1所述的方法。
...【技术特征摘要】
1.一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，还包括
3.根据权利要求1所述的一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，所述深度生成对抗网络的生成器通过截断正态分布中的潜在变量生成气动外形，并使用标签信息展示外形特征。
4.根据权利要求1所述的一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，所述卷积神经网络包括四个卷积层和三个全连接层，用于提取气动外形特征并映射为形状参数。
5.根据权利要求1所述的一种基于深度神经网络的航空布撒器气动外形优化方法，其特征在于，所述多任务学习模型通...
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。