基于多任务学习的翼型流场预测方法技术

本发明专利技术提出一种基于多任务学习的翼型流场预测方法，首先建立基于多任务学习的翼型流场预测模型，包括编码器、主干网络、多头解码器；然后利用翼型流场数据集，采用基于多任务学习的优化策略对建立的模型进行训练；最后对实际需要进行流场预测的翼型进行几何参数化与网格生成处理，获得标准化的翼型流场数据，将翼型流场数据输入训练好的翼型流场预测模型进行预测，得到全流场物理量分布及升阻力系数信息。本发明专利技术预测模型训练过程中使用了多任务损失优化策略，所以能够有效解决翼型表面损失和体积损失优化产生冲突的问题，进而实现了翼型代理模型的构建以及流场信息和气动参数的准确预测。

【技术实现步骤摘要】

本专利技术涉及流体力学与深度学习领域，具体为一种基于多任务学习的翼型流场预测方法。

技术介绍

1、流体力学学科经数十年发展已形成理论分析、实验研究与数值模拟三位一体的研究方法体系，三者协同创新显著推动了飞行器气动设计技术的发展。在气动设计实践中，实验手段(如风洞实验与飞行测试)虽能提供高置信度数据，但存在试验周期长、经济成本高的固有局限；理论流体力学通过建立简化数学模型获得解析解虽可支撑初步设计，但其过度简化的物理假设常导致预测结果与实际复杂流动存在显著偏差。在此背景下，计算流体力学(computational fluid dynamics,cfd)凭借其流场多物理量时空演化特性的可视化表征能力、设计参数快速迭代的工程适用性，以及极端工况条件下的数值仿真优势，已成为现代气动设计的关键使能技术，在降低研发成本、提升安全裕度及拓展设计空间等方面展现出显著价值。然而，cfd方法在真实工况精细化模拟方面仍面临计算资源需求巨大的瓶颈约束。

2、这一局限性在翼型气动优化设计中尤为突出。翼型设计本质上是求解升阻特性最大化与巡航阻力最小化的多目标拓扑优化问题。本文档来自技高网...

【技术保护点】

1.一种基于多任务学习的翼型流场预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述一种基于多任务学习的翼型流场预测方法，其特征在于：所述翼型流场数据包括网格节点位置、流场入口速度分量、每个网格节点到翼型表面的距离、翼型表面法向量。

3.根据权利要求1所述一种基于多任务学习的翼型流场预测方法，其特征在于：所述编码器基于翼型流场数据，按照多层感知机或PointNet架构进行编码，得到节点特征向量。

4.根据权利要求3所述一种基于多任务学习的翼型流场预测方法，其特征在于：所述共享特征提取层也采用多层感知机或PointNet架构。

5.根...

【技术特征摘要】

1.一种基于多任务学习的翼型流场预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述一种基于多任务学习的翼型流场预测方法，其特征在于：所述翼型流场数据包括网格节点位置、流场入口速度分量、每个网格节点到翼型表面的距离、翼型表面法向量。

3.根据权利要求1所述一种基于多任务学习的翼型流场预测方法，其特征在于：所述编码器基于翼型流场数据，按照多层感知机或pointnet架构进行编码，得到节点特征向量。

4.根据权利要求3所述一种基于多任务学习的翼型流场预测方法，其特征在于：...

【专利技术属性】
技术研发人员：胡鑫，管永科，陈康达，李栋，桑为民，安博，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：