(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210990919.4 (22)申请日 2022.08.18 (71)申请人 南京航空航天大 学 地址 211106 江苏省南京市江宁区将军大 道29号 (72)发明人 刘学军　王志鹏　吕宏强　 (74)专利代理 机构 江苏圣典律师事务所 32 237 专利代理师 苏一帜 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G06F 113/08(2020.01) G06F 119/14(2020.01) (54)发明名称 一种用于高精度翼型流场预测的分析方法 (57)摘要 本发明实施例公开了一种用 于高精度翼型 流场预测的分析方法， 涉及计算流体力学的流场 分析领域， 能够在少量流场训练样本的情形下， 减少建模时所需获取训练样本时间和成本的耗 费。 本发明包括： 服务器接收客户端发送的客户 端数据， 客户端数据包括： 流场条件和待预测流 场翼型的翼型数据； 根据流场条件生成原始流场 数据， 之后利用原始流场数据构建数据样本库； 利用翼型数据和原始流场数据， 构建深度学习网 络结构， 深度学习网络结构用于翼型流场预测； 在深度学习网络结构的基础上， 利用数据样本库 进行训练得到深度学习模型； 根据待预测流场翼 型和训练后的深度学习模型， 进行流场预测， 得 到预测流场结果并返回给客户端。 权利要求书2页 说明书6页 附图4页 CN 115438575 A 2022.12.06 CN 115438575 A 1.一种用于高精度翼型流场预测的分析 方法， 其特 征在于， 包括： 步骤1、 服务器接收客户端发送 的客户端数据， 所述客户端数据包括： 流场条件和待预 测流场翼型的翼型 数据， 其中， 所述 流场条件至少包括 流场的马赫数m、 雷诺数Re和迎角； 步骤2、 根据所述流场条件生成原始流场数据， 之后利用所述原始流场数据构建数据样 本库； 步骤3、 利用所述翼型数据和所述原始流场数据， 构建深度学习网络结构， 所述深度学 习网络结构用于翼型流场预测； 步骤4、 在所述深度 学习网络结构的基础上， 利用所述数据样本库进行训练得到深度 学 习模型； 步骤5、 根据所述待预测流场翼型和训练后的深度学习模型， 进行流场预测， 得到预测 流场结果并返回给 所述客户端。 2.根据权利要求1所述的方法， 其特征在于， 所述客户端数据还包括： 在目标源翼型的 翼型数据和源域数据集， 所述 服务器将目标源翼型的翼型 数据存入翼型库； 所述步骤2中包括： 服务器调取所述翼型库中的各个翼型， 并分别生成各个翼型表面的网格， 之后利用所 述流场条件进行CFD仿真计算； 将CFD仿真计算的结果， 转换成图像表达的方式并存 入流场库； 将所述翼型库中的翼型与所述流场库对应的翼型流场图像组成输入 ‑输出数据样本 对， 并将输入 ‑输出数据样本对 存储至所述数据样本库。 3.根据权利要求2所述的方法， 其特 征在于， 在步骤4， 包括： 当所述数据样本库中的样本数据充足时， 利用所述数据样本库中已有的样本数据进行 训练得到所述深度学习模型； 在步骤5中， 则包括： 将所述待预测流场翼型表面的网格输入所述深度学习模型， 所述 深度学习模型输出所述预测 流场结果， 其中， 所述服务器根据所述待预测流场翼型 的翼型 数据， 生成所述待预测流场翼型表面的网格。 4.根据权利要求2所述的方法， 其特 征在于， 在步骤4， 包括： 当所述数据样本库中的样本数据不足时， 根据所述源域数据集获取源域， 并利用所述 源域对所述深度学习模型进行 预训练； 对预训练后的所述深度学习模型进行初始化， 之后进行微调； 将所述待预测流场翼型表面的网格， 输入经过微调后的所述深度学习模型， 所述经过 微调后的所述深度学习模型输出所述预测流场结果， 其中， 所述服务器根据所述待预测流 场翼型的翼型 数据， 生成所述待预测流场翼型表面的网格。 5.根据权利要求1所述的方法， 其特征在于， 在所述步骤3 中， 所构建的深度学习网络结 构， 包括： 生成器模块、 编码器模块和判别器模块， 所述生成器模块包含两层全连接和五层 反卷积， 所述编码器模块包 含七层卷积， 所述判别器模块包 含十层卷积； 所述生成器模块， 用于学习翼型到对应流场之间的映射关系； 所述编码器模块， 用于学习流场到对应翼型的逆映射关系； 所述判别器模块， 用于区分来自所述编码器和所述 生成器的输入 ‑输出样本对。 6.根据权利要求5所述的方法， 其特征在于， 所述生成器模块的两层全连接的隐含输出权　利　要　求　书 1/2 页 2 CN 115438575 A 2维度分别为10 0和3200； 所述生成器模块的五层反卷积的卷积核大小分别为4、 5、 4、 2和2， 隐含输出维度分别为 1024， 512， 25 6， 128， 3， 步长均为2； 所述编码器模块的七层 卷积的卷积核大小分别为4、 5、 4、 4、 4、 5和1， 隐含输出维度分别 为32、 64、 128、 25 6、 512、 25 6和14， 步长分别为2、 2、 2、 2、 2、 2和1； 所述判别器模块的十层 卷积的卷积核大小分别为4、 5、 4、 4、 4、 5、 1、 1、 1和1， 隐含输出维 度分别为32、 64、 128、 25 6、 512、 14、 128、 25 6、 128和1， 步长分别为2、 2、 2、 2、 2、 2、 1、 1、 1和1。 7.根据权利要求5所述的方法， 其特征在于， 所述生成器模块输入翼型数据， 输出重构 流场； 所述编码器模块输入流场数据， 输出重构翼型； 所述判别器模块对所述生成器模块和所述编码器模块的输入 ‑输出样本对进行区分， 并输出对应概 率值。 8.根据权利 要求1所述的方法， 其特征在于， 监督所述深度学习训练的损失函数L＝Ladv +λLrec， 包括对抗损失函数Ladv和重构损失函数Lrec， λ表示超参数用于平衡对抗和重构损 失。 9.根据权利要求8所述的方法， 其特 征在于， 所述 抗损失函数为： 其中,x表示来自翼型设计空间pdata(x)的变量， y表示来自确定流场的分布pdata(y)的变 量,G(·)、 E(·)和D(·)分别为生成器、 编码器和判别器， min表示在训练生成器和编码器 模块时最小化对抗损失， max表示在训练判别器模块时最大化对抗损失， ar g min表示在训 练生成器和编码器模块时达到最小化对抗损失时的变量的取值， arg  max表示在训练判别 器模块时达 到最大化对抗损失时的变量的取值。 10.根据权利要求8所述的方法， 其特 征在于， 所述重构损失函数为： 其中,||表示取绝对值， N表示训练的样本数， y(i)表示训练样本中第i个样本的真实流 场值， y(i)表示第i个重构的样本， S表示流场图像表示的长宽乘积值， 若y(i)带有下角标p 则代表这个样本数据是 预测的数据， 若y(i)没有p则表示真实的数据。权　利　要　求　书 2/2 页 3 CN 115438575 A 3