一种基于深度学习的三维机翼流场快速预测方法

摘要

本发明提出一种基于深度学习的三维机翼流场快速预测方法，属于深度学习技术领域。包括以下步骤：S1.对机翼进行预处理，自动生成机翼网格，对机翼网格进行求解，获得流场分布结果；S2.对机翼几何数模和网络进行有向距离函数计算，对机翼几何数模进行空间采样，获得任意机翼的几何外形的SDF矩阵；S3.对流场分布结果进行采样，将采样结果与SDF矩阵进行匹配生成训练数据集；S4.建立三维机翼流场计算网络，网络的输入为SDF矩阵，输出为流场分布矩阵；S5.训练三维机翼流场计算网络的最小目标函数，计算预测值与目标值的损失值；S6.将深度学习解算结果进行流场后处理。解决操作步骤多，计算时间长，计算流程复杂度高的问题。

说明书

技术领域

本申请涉及三维机翼流场快速预测方法，尤其涉及一种基于深度学习的三维机翼流场快速预测方法，属于深度学习技术领域。

背景技术

流场分布是机翼气动优化设计中的重要影响因素，机翼的几何外形影响机翼的气动参数。当前使用传统计算流体力学（CFD）解算器进行流场分布求解时，计算耗时久，流程繁琐，计算效率低。传统的CFD求解器求解人工操作步骤多，大大的延长了计算时间，增加了计算流程复杂度。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，为解决现有技术中存在的人工操作步骤多，计算时间长，计算流程复杂度高的技术问题，本发明提供一种基于深度学习的三维机翼流场快速预测方法、电子设备及存储介质。本发明将流场结算结果作为样本，训练基于端到端网络的流场预测网络既能够保证计算效率、缩短计算时间的同时又能够保证计算精度，且使用方法简单。

方案一、一种基于深度学习的三维机翼流场快速预测方法，包括以下步骤：

S1.对机翼进行预处理，自动生成机翼网格，对机翼网格进行求解，获得流场分布结果；

S2.对机翼几何数模和网络进行有向距离函数计算，对机翼几何数模进行空间采样，获得任意机翼的几何外形的SDF矩阵；

S3.对流场分布结果进行采样，将采样结果与SDF矩阵进行匹配生成训练数据集；

S4.建立三维机翼流场计算网络，网络的输入为SDF矩阵，输出为流场分布矩阵；

S5.训练三维机翼流场计算网络的最小目标函数，计算预测值与目标值的损失值；

S6.将深度学习解算结果进行流场后处理。

优选的，对机翼进行预处理，自动生成机翼网格，对机翼网格进行求解，获得流场分布结果的方法是：

随机给定来流速度和攻角，随机抽取机翼网格，将机翼网格、来流参数提交给CFD求解器进行流场求解，获得CFD流场结果，CFD求解时使用N-S方程，即：

其中，

优选的，对机翼几何数模和网络进行有向距离函数计算，对机翼几何数模进行空间采样，获得任意机翼的几何外形的SDF矩阵的方法是：

选取空间立方体，将空间立方体均匀划分为小立方体，计算每个小立方体所在位置中心距机翼表面的SDF距离值，根据机翼自动化网格进行有向距离函数计算，使用空间立方体对解算后的流场进行栅格行空间采样，获得任机翼的几何外形以及空间场的SDF表达，并存储为三维矩阵，其中SDF的定义及计算方式如下：

如果

1）如果

2）如果

其中，

优选的，对流场分布结果进行采样，将采样结果与SDF矩阵进行匹配生成训练数据集的方法是：利用插值方法从CFD解算流场中进行结果采样，与有向距离函数表达的几何外形进行匹配生成数据集，训练样本包括从机翼的SDF表达、来流条件到流场参数分布的全部数据；训练数据中包含x方向来流条件、y方向来流条件、机翼几何外形与空间场SDF、压力分布、x方向速度分布与y方向速度分布，组成6通道的128×64×64的三维矩阵。

优选的，建立三维机翼流场计算网络，网络的输入为SDF矩阵，输出为流场分布矩阵的方法是：三维机翼流场计算网络分为编码器与解码器两部分，编码器利用卷积层进行特征提取，解码器利用反卷积层进行特征还原；编码器部分使用6个卷积提取块，数据在经过每个卷积提取块后的特征尺寸分别为64×32×32×3、32×16×16×6、16×8×8×6、8×4×4×12、4×2×2×24、2×1×1×24；解码器部分使用6个反卷积块用于特征还原，在进行反卷积时会将对用的编码器的低维特征与反卷积的特征进行特征拼接，解码器的6个特征还原块的输入分别为2×1×1×24、4×2×2×48、8×4×4×24、16×8×8×12、32×16×16×12、64×32×32×6,6个特征还原块的输出分别为4×2×2×24、8×4×4×12、16×8×8×6、32×16×16×6、64×32×32×3、128×64×64×3。

优选的，将深度学习解算结果进行流场后处理的方法是：读取深度神经网络的输出矩阵，输出矩阵根据后处理软件TecPlot的格式要求进行格式转换，后处理软件直接读取深度神经网络的流场解算结果。

方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种基于深度学习的三维机翼流场快速预测方法的步骤。

方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种基于深度学习的三维机翼流场快速预测方法。

本发明的有益效果如下：本发明基于数据驱动，利用深度学习方法建模，很好的利用了数据之间隐藏的共性关系，形成了几何外形与来流条件到流场分布的映射；深度学习方法解算流场，与现有的传统CFD求解器相比，解算时间可以缩短为原有的1/300。而且，本发明在进行流场解算时无需进行网格绘制，操作简单，可直接输出后处理软件可识别结果，解决了CFD求解器计算时间长，人工参与度高，计算效率低的问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为一种基于深度学习的三维机翼流场快速预测方法流程示意图；

图2为几何外形的有向距离函数表达流程示意图；

图3为三维U-Net网络结构示意图。

具体实施方式

为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例1、参照图1-图3说明本实施方式，一种基于深度学习的三维机翼流场快速预测方法，通过对几何外形进行有向距离函数表达，即将几何外形转换为距离矩阵，对传统CFD求解器结果进行栅格采样，以此生成训练所需样本。建立流场解算网络，流场解算网络实现通过几何外形与来流参数，解算整个流场内部物理量的信息。实现深度学习预测结果与后处理软件之间的数据格式转化方法；具体包括以下步骤：

S1.对机翼进行预处理，自动生成机翼网格，对机翼网格进行求解，获得流场分布结果；

具体的，利用前处理软件对机翼进行网格批量化自动生成，并提交给CFD求解器进行流场求解，获得CFD流场结果；

随机给定来流速度和攻角，随机抽取机翼网格，将机翼网格、来流参数提交给CFD求解器进行流场求解，获得CFD流场结果，CFD求解时使用N-S方程，即：

其中，

S2.对机翼几何数模和网络进行有向距离函数计算，对机翼几何数模进行空间采样，获得任意机翼的几何外形的SDF矩阵；

具体的，对机翼几何数模和网络进行有向距离函数计算，随后利用栅格法进行空间采样，获得任意机翼的几何外形的SDF表达；

选取空间立方体，将空间立方体均匀划分为小立方体，计算每个小立方体所在位置中心距机翼表面的SDF距离值，根据机翼自动化网格进行有向距离函数计算，使用空间立方体对解算后的流场进行栅格行空间采样，获得任机翼的几何外形以及空间场的SDF表达，并存储为三维矩阵，其中SDF的定义及计算方式如下：

如果

1）如果

2）如果

其中，

S3.对流场分布结果进行采样，将采样结果与SDF矩阵进行匹配生成训练数据集；

具体的，利用插值方法从CFD解算流场中进行结果采样，并将其与有向距离函数表达的几何外形进行匹配生成数据集。训练样本包括从机翼的SDF表达、来流条件到流场参数分布的全部数据；

利用插值方法从CFD解算流场中进行结果采样，与有向距离函数表达的几何外形进行匹配生成数据集，训练样本包括从机翼的SDF表达、来流条件到流场参数分布的全部数据；训练数据中包含x方向来流条件、y方向来流条件、机翼几何外形与空间场SDF、压力分布、x方向速度分布与y方向速度分布，组成6通道的128×64×64的三维矩阵。

S4.建立三维机翼流场计算网络（三维U-Net网络），网络的输入为SDF矩阵，输出为流场分布矩阵；

具体的，以θ代表影响三维机翼流场的因素（如几何形状、来流参数、攻角等），以f代表流场预测参数（如压力分布、速度分布等），基于深度学习方法三维机翼流场解算建模如下：f’= Net（θ，α）；

其中Net为深度神经网络方法，α为神经网络参数空间，θ为影响因素参数空间，f’表示预测流场结果的参数空间；

三维机翼流场计算网络分为编码器与解码器两部分，编码器利用卷积层进行特征提取，解码器利用反卷积层进行特征还原；编码器部分使用6个卷积提取块，数据在经过每个卷积提取块后的特征尺寸分别为64×32×32×3、32×16×16×6、16×8×8×6、8×4×4×12、4×2×2×24、2×1×1×24；解码器部分使用6个反卷积块用于特征还原，在进行反卷积时会将对用的编码器的低维特征与反卷积的特征进行特征拼接，解码器的6个特征还原块的输入分别为2×1×1×24、4×2×2×48、8×4×4×24、16×8×8×12、32×16×16×12、64×32×32×6,6个特征还原块的输出分别为4×2×2×24、8×4×4×12、16×8×8×6、32×16×16×6、64×32×32×3、128×64×64×3。

本发明建立三维机翼流场数据训练样本，提出了基于深度学习方法的三维机翼流场快速预测方法，使得深度学习方法能够实现对三维机翼流场的解算；

本发明直接利用深度神经网络代替传统CFD求解器进行流场解算，减小了使用CFD求解器的前处理工作，包括模型修模、计算网格绘制等；

S5.训练三维机翼流场计算网络的最小目标函数，计算预测值与目标值的损失值；

网络训练以损失函数最小化为目标，即计算预测值与目标值之间的损失值，如下式定义：Loss = loss function（f’, f）；

当网络的损失值达到预设值，保留验证集上表现最好的n个参数模型，分别加载n个参数模型针对测试集1进行测试，针对n个参数模型在训练集、验证集与测试集1上的综合表现进行模型挑选，排除过拟合与欠拟合模型；将挑选后的模型在测试集2上进行模型测试，最终判定模型拟合效果，并将其作为最终参数模型用于流场解算；

网络训练使用的损失函数为MSE损失函数，如果N个数据分为r组，且第i组的样本修正方差为si2，则全体的均方误差为：

本发明判定模型收敛与模型筛选，要求损失值小于0.001后再进行验证集验证，并保存验证集上表现最后的5个模型；

本发明利用两个测试集，先进行模型拟合程度筛选，而后再进行模型拟合效果判断；

S6.将深度学习解算结果进行流场后处理；

读取深度神经网络的输出矩阵，输出矩阵根据后处理软件TecPlot的格式要求进行格式转换，后处理软件直接读取深度神经网络的流场解算结果。

为了更好的理解本发明，以下给出一种实例：

步骤1、利用传统的CFD求解器求解少量流场结果；利用前处理软件对机翼进行网格批量化自动生成，编写Python代码，实现随机给定来流速度0.3-0.5ma，攻角-5°- 5°，随机抽取机翼网格，将机翼网格、来流参数提交给CFD求解器进行流场求解，获得CFD流场结果。CFD求解时使用N-S方程，即：

其中，

步骤2、将几何外形进行有向距离函数（SDF）表达；选取空间立方体，转向方向距机翼距离为[0,2]，法向方向距离为[-1,1],流向距离为[-0.5,1.5],将该空间立方体均匀划分为128×64×64的小立方体，计算每个小立方体所在位置中心距机翼表面的SDF距离值，根据机翼自动化网格进行有向距离函数计算，使用上述空间立方体对结算后的流场进行栅格行空间采样，提取的空间参数为128×64×64，机翼纵向采样点为128，高宽方向采样点为64，获得任机翼的几何外形以及空间场的SDF表达，并将其存储为三维矩阵。其中SDF的定义及计算方式如下：

如果

1）如果

2）如果

其中，

其中

步骤3、建立和整合三维机翼流场数据训练样本，利用插值方法从CFD解算流场中进行结果采样，并将其与有向距离函数表达的几何外形进行匹配生成数据集，训练样本包括从机翼的SDF表达、来流条件到流场参数分布的全部数据；训练数据中包含x方向来流条件、y方向来流条件、机翼几何外形与空间场SDF、压力分布、x方向速度分布与y方向速度分布，组成6通道的128×64×64的三维矩阵。

步骤4、建立三维机翼流场计算网络，三维机翼流场计算网络分为编码器与解码器两部分。编码器利用卷积层进行特征提取，解码器利用反卷积层进行特征还原。编码器部分使用6个卷积提取块，数据在经过每个卷积提取块后的特征尺寸分别为64×32×32×3、32×16×16×6、16×8×8×6、8×4×4×12、4×2×2×24、2×1×1×24；解码器部分使用6个反卷积块用于特征还原，在进行反卷积时会将对用的编码器的低维特征与反卷积的特征进行特征拼接，实现低维特征重用，解码器的6个特征还原块的输入分别为2×1×1×24、4×2×2×48、8×4×4×24、16×8×8×12、32×16×16×12、64×32×32×6,6个特征还原块的输出分别为4×2×2×24、8×4×4×12、16×8×8×6、32×16×16×6、64×32×32×3、128×64×64×3。

步骤5、流场解算网络训练测试，网络训练以损失函数最小化为目标，即计算预测值与目标值之间的损失值，当损失值下降到0.001时，开始进行验证集验证，同时对验证集上的损失与模型进行保存与排序，当训练的损失值不再下降（50个迭代轮次中损失值下降小于0.0001时）判定模型训练结束；将验证集上保存的模型根据验证集上的损失进行排序，保留排名靠前的5个模型参数进行模型测试。在测试集1上进行模型拟合程度判定，综合比较5个模型在训练集、验证集与测试集1上的表现，排除过拟合模型与欠拟合模型 ；将保留的模型在测试集2上进行模型测试，并将该结果用于判定最终的模型拟合效果，将该模型用于后续的三维机翼流场快速预测方法的参数模型。

步骤6、将深度学习解算结果进行流场后处理，读取深度神经网络的输出矩阵，输出矩阵根据后处理软件TecPlot的格式要求进行格式转换，使得后处理软件可以直接读取深度神经网络的流场解算结果。

本发明与基于深度学习的二维翼型流场重构技术研究中除了维度不同外，还有以下几点不同：

1、使用的深度神经网络结构存在不同，本发明所使用的网络结构为3D-UNet网络架构；

2、使用的几何表达方式不同，本发明使用的几何外形表达方式为SDF有向距离函数表达。

实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种基于深度学习的三维机翼流场快速预测方法的步骤。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

实施例3、计算机可读存储介质实施例

本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种基于深度学习的三维机翼流场快速预测方法的步骤。

所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。