申请/专利权人：厦门大学

申请日：2024-01-26

公开（公告）日：2024-04-12

公开（公告）号：CN117874925A

主分类号：G06F30/15

分类号：G06F30/15;G06F30/28;G06F30/23;G06T17/20;G06F30/27;G06N3/084;G06F111/10;G06F111/04;G06F113/08;G06F119/14;G06N3/048;G06F113/28

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开基于深度学习的梯度类气动外形优化方法、系统及设备，涉及气动设计领域。对待优化目标进行参数化得到参数化信息；接收参数化信息并更新网格坐标得到新的CFD计算网格；并对流场进行数值模拟得到待优化目标的气动力系数及流场变量分布信息；求解流场伴随方程得到气动力系数对设计变量的梯度；构建基于深度神经网络的气动力梯度快速预测模型；将设计变量及新的CFD计算网格中第一层网格内的流场变量输入气动力梯度快速预测模型得到气动力梯度，并将所得梯度和外形信息传递至优化器，以实现气动外形优化；本发明利用深度学习技术强大的非线性拟合能力，提高了气动力梯度求解的预测效率。

主权项：1.一种基于深度学习的梯度类气动外形优化方法，其特征在于，包括：对待优化目标进行参数化，得到参数化信息；通过n个自由变形控制点来表征气动外形信息，其中n的大小根据待优化目标外形的复杂程度确定；接收所述参数化信息并更新网格坐标，得到新的CFD计算网格；对所述流场进行数值模拟，得到待优化目标的气动力系数及流场变量分布信息；采用伴随求解器，根据所述待优化目标的新的CFD计算网格、流场数值解及残差信息求解流场伴随方程，得到气动力系数对设计变量的梯度；所述设计变量表征所述n个自由变形控制点及迎角；根据所述设计变量、待优化目标的气动力系数、表面网格内的流场变量信息以及气动力系数对设计变量的梯度，构建基于深度神经网络的气动力梯度快速预测模型；将所述设计变量及新的CFD计算网格中第一层网格内的流场变量分布信息输入所述气动力梯度快速预测模型，得到气动力梯度；所述气动力梯度表征气动力系数对设计变量的梯度。

全文数据：

权利要求：

百度查询： 厦门大学 基于深度学习的梯度类气动外形优化方法、系统及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD