(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111341570.3 (22)申请日 2021.11.12 (65)同一申请的已公布的文献号 申请公布号 CN 114065662 A (43)申请公布日 2022.02.18 (73)专利权人 西北工业大 学 地址 710000 陕西省西安市碑林区友谊西 路127号西北工业大 学 (72)发明人 龚春林　季稳　贾续毅　李春娜　 王健磊　 (74)专利代理 机构 北京科亿知识产权代理事务 所(普通合伙) 11350 专利代理师 宋秀珍 (51)Int.Cl. G06F 30/28(2020.01)G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 113/08(2020.01) 审查员 沈晴 (54)发明名称 适用于网格拓扑可变的翼型流场快速预测 方法 (57)摘要 提供一种适用 于网格拓扑可变的翼型流场 快速预测方法， 针对同一基准外形扰动得到的系 列翼型的定工况流场预测， 具有一定的针对性， 因此能够快速准确的实现对同系列翼型的流场 数据预测； 可对网格拓扑可变的翼型流场数据建 模， 降低了对训练样本的网格要求， 实现了对翼 型定常流场的快速准确预测， 大量减少了流场计 算耗时， 减小了翼型气动弹性分析与优化过程中 的大量流场计算耗时； 在保证流场预测精度的同 时， 提高流场预测模型的通用性， 适用于气动弹 性分析与优化 等实际问题。 权利要求书2页 说明书6页 附图4页 CN 114065662 B 2022.09.02 CN 114065662 B 1.适用于网格拓扑 可变的翼型流场快速预测方法， 其特 征在于包括以下步骤： 步骤1)： 生成翼型样本数据集， 具体步骤如下； 步骤1‑1)： 选择一种翼型作为基准翼型， 使用拉丁超立方采样获得一系列翼型外形参 数作为扰动大小， 使用参数化方法在基准翼型 上叠加扰动函数 得到一系列翼型样本； 步骤1‑2)： 生成翼型气动网格， 不要求网格拓扑 是一致的； 步骤1‑3)： 通过坐标变换， 将翼型气动网格从物理空间映射到计算空间， 对步骤1 ‑1)中 得到的翼型样本进 行CFD仿真模拟计算， 得到翼型样本的流场数据， 截 取翼型近场流动参数 变化明显的网格区域内的翼型和流场参数作为各个翼型样本的样本数据集； 步骤2)： 基于径向基函数网格 变形技术生成训练样本的拓扑 结构一致的变形网格； 步骤3)： 使用基于网格转换的流场插值方法得到步骤2)中的变形网格所对应的流场数 据； 步骤4)： 使用本征正交分解法POD将步骤3)中的流场数据降阶为基模态系数； 步骤5)： 使用反向传播神经网络BPN N训练从翼型外形参数到基模态系数的模型； 步骤6)： 将步骤4)中使用本征正交分解法POD建立的模型和步骤5)中使用反向传播神 经网络BPN N建立的模型用于翼型定常流场的快速预测。 2.根据权利要求1所述的适用于网格拓扑可变的翼型流场快速预测方法， 其特征在于： 上述步骤1 ‑1)中， 所述参数化方法为Hicks ‑Henne翼型参数化方法， 所述基准翼型为翼型 RAE2822， 具体操作步骤为： 使用Hicks ‑Henne参数化方法在基准翼型的上下翼面各施加5个 扰动函数叠加得到一系列翼型样本， 扰动的位置分别为0.10c、 0.25c、 0.45c、 0.65c、 0.80c， 其中， c为弦长， 10个 扰动的大小取值范围为[ ‑0.005,0.005]。 3.根据权利要求1所述的适用于网格拓扑可变的翼型流场快速预测方法， 其特征在于： 上述步骤1 ‑2)中， 生成翼型气动网格的具体操作如下： 采用附面层结构网格和非结构 网格 的混合网格形式生成翼型计算网格， 该网格称为原始网格， 其中附面层结构网格的第一层 网格高度、 生长率和层数不完全相同。 4.根据权利要求1所述的适用于网格拓扑可变的翼型流场快速预测方法， 其特征在于： 上述步骤1 ‑3)中， 对步骤1 ‑1)中得到的翼型样本使用CFD仿真模拟计算得到翼型样本的流 场数据的具体操作内容如下： 气动计算工况为： Ma＝0.40、 α ＝3 °、 Re＝5.8 ×106， 其中， Ma为 马赫数， α 为攻角， Re为雷诺数， 使用SST  k‑ω湍流模型完成CFD仿真模拟计算， 得到翼型样 本的流场数据， 流场数据储 存在原始网格的格心处。 5.根据权利要求1所述的适用于网格拓扑可变的翼型流场快速预测方法， 其特征在于： 上述步骤2)中， 任意选取一个翼型气动网格作为基准网格， 对基准网格使用径向基函数网 格变形技术变形后 将得到其余翼型的变形网格， 此时其余翼型的变形网格具有了相同的网 格拓扑结构。 6.根据权利要求1所述的适用于网格拓扑可变的翼型流场快速预测方法， 其特征在于： 上述步骤3)中， 与所述变形网格所对应的流场数据的具体转换步骤如下： 步骤3‑1)： 将原始网格的网格格心作为网格格点， 原始网格的网格格点作为网格格心， 得到新的网格， 该网格称为重构网格， 重构网格的网格 格点具有流场数据； 步骤3‑2)： 为获得变形网格格心处的流场数据， 判断每个变形网格的网格格心所处的 重构网格的网格位置， 若所处的网格为四边形网格， 使用线性插值得到变形网格的网格格权　利　要　求　书 1/2 页 2 CN 114065662 B 2心处的流场数据； 若所处的网格为非四边形网格， 使用反距离加权插值得到变形网格的网 格格心处的流场数据。 7.根据权利要求1所述的适用于网格拓扑可变的翼型流场快速预测方法， 其特征在于： 上述步骤4)中， 针对步骤3)的流场数据中的每个物理量建立POD降阶模 型， 选取分析后基模 态能量占比大于99％时对应的基模态个数， 得到降阶后的基模态系数、 样 本均值、 映射矩阵 数据； 使用本征正交分解方法对流场数据降阶的具体过程 为： 设流场数据中某物理量为X(i)(i＝1,2, …,r)， 其中X(i)为n维向量， r为样本数目， 则样 本均值为： 将原始数据减去均值可得到标准化样本数据 则标准化样本数据的协方 差矩阵C为： 该协方差矩阵的大小为n ×n， 其前m阶特征值从大到小依次为λ(1), λ(2),…, λ(m)， 对应的 特征向量为q(1),q(2),…,q(m)， 也称基模态， 这m个基模态构 成m×n阶的映射矩阵U＝[q(1),q (2),…,q(m)]T， 则得到降阶后的样本向量矩阵为 上式中， Y为m ×r阶矩阵， 表示r个样本的m个基模态系数， 通过分析基模态的能量占比 选取合适的m， 则满足 表明实现了维度从n维原始数据到m维基模态系数的 降阶。 8.根据权利要求1所述的适用于网格拓扑可变的翼型流场快速预测方法， 其特征在于： 上述步骤5)中， 对每个流场物理量， 建立从步骤1)中的翼型外形参数到步骤4)中基模态系 数的反向传播神经网络模型， 该反向传播神经网络模型中包 含一层隐含层。 9.根据权利要求1所述的适用于网格拓扑可变的翼型流场快速预测方法， 其特征在于： 上述步骤6)中， 将步骤4)中使用本征正交分解法POD建立的模型和步骤5)中使用反向传播 神经网络BPN N建立的模型用于翼型定常流场的快速预测， 具体步骤如下： 步骤6‑1)： 对于任意一个新的翼型， 均对应一组外形参数， 使用径向基函数网格变形技 术得到该翼型的气动网格； 步骤6‑2)： 对于每个物理量， 将步骤6 ‑1)外形参数作为步骤5)中训练好的反向传播神 经网络模型的输入， 得到预测的基模态系数； 步骤6‑3)： 对于每个物理量， 将步骤6 ‑2)预测得到的基模态系数与步骤4)中的样本均 值、 映射矩阵一起重构得到每个物理量的场数据； 当完成了所有物理量的场数据预测， 即完 成了新翼型的流场预测。权　利　要　求　书 2/2 页 3 CN 114065662 B 3