(19)中华 人民共和国 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 202111564724.5 (22)申请日 2021.12.20 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 李妮　刘云钦　赵路明　龚光红　 (74)专利代理 机构 北京天汇航智知识产权代理 事务所(普通 合伙) 11987 代理人 黄川　史继颖 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06F 30/28(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/14(2020.01) (54)发明名称 一种基于DCCGAN的高超声速飞行器流热固 耦合物理场求 解方法 (57)摘要 针对高超声速飞行器流热固耦合物理场求 解过程中求解精度和求解效率相互矛盾的问题， 本发明提出了一种基于DCCGAN的高超声速飞行 器流热固耦合物理场求解方法， 该方法以工况编 码与飞行器初始网格为条件信息， 以CFD软件求 解出的飞行器网格各点空间位置分布情况和气 动力分布情况作为真实值， 引导深度学习中的条 件生成对抗网络模型自动学习数据分布， 生成逼 真样本， 从而实现飞行器高精度流热固耦合物理 场快速求解， 为高超声速飞行器实时仿真提供有 效的技术支撑。 权利要求书2页 说明书8页 附图6页 CN 114154250 A 2022.03.08 CN 114154250 A 1.一种基于DC CGAN的高超声速飞行器流热固耦合物理场求 解方法， 包括以下步骤： S1： 利用CFD软件对不同工况下和不同初始网格下的流热固耦合物理场进行批处理求 解， 导出计算得到的形变位移数据和真实分布式气动力数据作为离线数据集； S2： 构建以工况为条件信息的DC CGAN0模型， 用于生成工况对应的分布式气动力数据； S3： 训练DCCGAN模型， 利用生成器模型G0生成的分布式气动力数据与真实分布式气动 力数据的误差以及判别器模型D0 输出的结果用来引导网络模型 学习； S4： 构建以不同初始网格为条件信息的DCCGAN1模型， 用于生成不同初始网格对应的形 变位移数据和分布式气动力数据。 2.根据权利要求1所述的高超声速飞行器流热固耦合物理场 求解方法， 其特征在于， 所 述形变位移数据按节点序号存储到(N， N， 3)的三维张量中， 所述分布式气动力 数据按节点 序号存储到(N， N， 1)的三维张量中， 其中N2大于网格节点数。 3.根据权利要求1所述的高超声速飞行器流热固耦合物理场 求解方法， 其特征在于， 所 述步骤S2包括： 对工况采取独热编码后与噪声进行维度拼接并作为生成器模型的输入， 生 成器模型G0的输出为(N， N， 1)的三维张量， 即生 成的分布式气动力数据； 将真实或生 成器模 型G0生成的分布式气动力数据与工况进 行维度拼接并作为判别器模型D 0的输入， 判别器模 型D0输出真假判别结果。 4.根据权利要求3所述的高超声速飞行器流热固耦合物理场 求解方法， 其特征在于， 所 述生成器模型G0中， 输入数据经过全连接神经网络和5个输出通道数分别为256、 128、 64、 32、 1的反卷积模块， 其中前4个反卷积模块的反卷积层后均加入BN层， BN层后加入ReLU激活 函数层， 第5个反卷积模块的反卷积层后加入Tanh 激活函数层； 其中， 所述ReLU与Tanh 激活函数的表达式如下 所示： 其中， relu(x)是指ReLU函数的输出值， tanh(x)是指Tanh函数的输出值； max(0， x)指在 0和输入x中取较大的数， ex是指输入值进行指数函数运算， e‑x是指输入值取负值后进行指 数函数运 算。 5.根据权利要求3所述的高超声速飞行器流热固耦合物理场 求解方法， 其特征在于， 所 述判别器模型D0中输入数据经过五个输出通道数分别 为64、 128、 256、 512、 512的卷积模块 和1个输出通道数为 1的输出层卷积模块， 其中5个卷积模块的卷积层后均加入BN层， BN层后 加入LeakyRelu激活函数层， 输出层卷积模块的卷积层后加入Sigmo id激活函数层； 其中， 所述 LeakyRelu与Sigmo id激活函数的表达式如下 所示： 其中， LeakyRelu(x)是指LeakyRelu函数的输出值， sigmoid(x)是指Sigmoid函数的输 出值； α 是指泄露值， 一般取0.01； max( α x， x)指在输入x和输入与泄露值相 乘后得到α x中取 较大的数， e‑x是指输入值取负值后进行指数函数运 算。 6.根据权利要求1所述的高超声速飞行器流热固耦合物理场 求解方法， 其特征在于， 所 述步骤S3包括：权　利　要　求　书 1/2 页 2 CN 114154250 A 2首先建立网络模型的基于交叉熵的损失函数， 训练过程中生成器模型G0希望让判别器 D0将生成的分布式气动力数据鉴别为真， 竭力最小化损失函数； 判别器模型D0希望提升鉴 别出生成的分布式气动力数据为假的能力， 竭力最大化损失函数， 当生成器模型G0和判别 器模型D0都取 得最优解时训练停止 。 7.根据权利要求1所述的高超声速飞行器流热固耦合物理场 求解方法， 其特征在于， 所 述步骤S4包括： 将步骤S1中所得形变位移数据与步骤S2中生成分布式气动力数据进行维度拼接并作 为生成器模型G1的输入， 生 成器模型G1的输出为(N， N， 4)的三 维张量， 即生成的形变位移和 分布式气动力数据； 将真实或生成器模 型G1生成的数据与条件信息进 行维度拼接并作为判 别器模型D1的输入， 判别器模型D1输出真假判别 结果； 利用生成器模型G1生成的数据与真 实数据的误差以及判别器模型D1输出 的结果用来引导网络模型学习， 生成不同工况、 不同 初始网格下分布式气动力数据与形变位移数据。 8.根据权利要求6所述的高超声速飞行器流热固耦合物理场 求解方法， 其特征在于， 所 述生成器模型G1对输入 数据先后进 行下采样和上采样处理， 下采样处理 时， 输入数据经过3 个输出通道数分别为64、 128、 256的卷积模块和4个输出通道数均为512的卷积模块， 每个卷 积模块的卷积层后均加入BN层， BN层后加入ReLU激活函数层； 上采样处理时， 下采样后的数 据经过3个输出通道数均为512和4个输出通道数依次为256、 128、 64、 32的反卷积层， 再由一 个输出通道数为4的输出卷积模块输出， 除第一个反卷积层外， 其余每个反卷积层前皆依次 加入一个卷积模块与一个维度拼接层， 所述卷积模块由卷积层、 BN层和ReLU激活函数层组 成， 所述输出 卷积模块由卷积层和Tanh 激活函数层组成。 9.根据权利要求6所述的高超声速飞行器流热固耦合物理场 求解方法， 其特征在于， 所 述判别器模型D1结构与判别器模型D0相同。权　利　要　求　书 2/2 页 3 CN 114154250 A 3