CN115438584B 一种基于深度学习的翼型气动力预测方法 （西北工业大学）_第1页
CN115438584B 一种基于深度学习的翼型气动力预测方法 （西北工业大学）_第2页
CN115438584B 一种基于深度学习的翼型气动力预测方法 （西北工业大学）_第3页
CN115438584B 一种基于深度学习的翼型气动力预测方法 （西北工业大学）_第4页
CN115438584B 一种基于深度学习的翼型气动力预测方法 （西北工业大学）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明提出一种基于深度学习的翼型气动层感知器模型预测气动力系数和翼型几何外形的方法，避免大量离散点上的流畅变量数值求器神经网络模型，可以刻画更复杂的非线性关22.根据权利要求1所述一种基于深度学习的3.根据权利要求2所述一种基于深度学习的翼型气动力预测方法，其特征在于：步骤4.根据权利要求2所述一种基于深度学习的翼型气动力预测方法，其特征在于：步骤5.根据权利要求1所述一种基于深度学习的翼型气动力预测方法，其特征在于：步骤36.根据权利要求1所述一种基于深度学习的翼型气动力预测方法，其特征在于：步骤7.根据权利要求1所述一种基于深度学习的翼型气动力预测方法，其特征在于：步骤2.1中，输入层和输出层均含有508个参数，为步骤1得到的翼型表面压力系数(P1,...,8.根据权利要求1所述一种基于深度学习的翼型气动力预测方法，其特征在于：步骤4[0002]翼型气动力评估是翼型优化设计过程的重要环节。在计算流体力学(CFD)为主的[0004]目前通过神经网络预测气动力的相关研究主要还是采用翼型几何外形参数作为[0005]为解决传统基于CFD方法的翼型优化设计过程中存在的大量流场计算，导致翼型5数据集中的翼型压力特征作为输入，以步骤1得到的样本数据集中的翼型气动力系数作为数据集中的翼型压力特征作为输入，以步骤1得到的样本数据集中的翼型设计参数作为输[0023]步骤2.7：训练第二多层感知Ld6[0032]2.本发明以翼型压力特征作为输入通过多层感知器模型预测气动力系数和翼型[0033]3.本发明搭建的卷积自动编解码器和多层感知器神经网络模型，与现有技术相[0035]本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得[0044]图9为训练案例322号和测试案例27号翼型的压力特征提取效果。(a)为训练案例7[0045]图10为训练案例322号和测试案例27号翼型的预测结果。(a)为训练案例322号翼计参数的扰动范围为±0.2，采用拉丁超立方取样方法在设计空间提取3000个翼型作为样本集，如图2所示。对样本集的翼型进行编号，其中编号为1_2400的作为训练集，编号为几何外形参数、翼型表面压力系数和翼型气动力系8[0057]4)采用一维卷积自动编解码器提取翼型样本的压力特征，加入到步骤1得到的样2.3中卷积自动编解码器(CAE)提取的翼型压力特征(f1,...,f10)，输出层为气动力系数[0062]以压力特征作为输入，以步骤2.5训练得到0.0015％和0.0022对阻力系数预测的平均相对误差分别为1.16％和1.41对力矩系系数预测的平均相对误差分别为0.011％和0.014对阻力系数预测的平均相对误差分别9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论