(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 202111629934.8 (22)申请日 2021.12.28 (71)申请人 中国航天空气动力技 术研究院 地址 100074 北京市丰台区云岗西路17号 (72)发明人 王方剑　秦汉　陈兰　 (74)专利代理 机构 北京思创大成知识产权代理 有限公司 1 1614 专利代理师 高爽 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/28(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/08(2020.01)G06F 119/14(2020.01) (54)发明名称 一种基于MAML的气动建模方法及系统 (57)摘要 本发明公开一种基于MAML的气动建模方法 及系统， 包括以下几个步骤： S1： 生成用于机器学 习的气动力数据集； S2： 基于 所述气动力数据集， 建立基学习过程； S3： 以基学习过程为基础， 获得 元学习过程。 通过本发明能够学习出一个较好的 基学习器和元学习器的参数， 有了这个参数之 后， 面对相似场景的非线性非定常物理问题， 只 需要少量的学习样本就可以快速在模 型中收敛， 从而提高少样本下的泛化能力， 兼顾精度与学习 效率， 具有较强的工程应用背景。 权利要求书1页 说明书6页 附图3页 CN 114491790 A 2022.05.13 CN 114491790 A 1.一种基于 MAML的气动建模方法， 其特 征在于， 包括以下几个步骤： S1： 生成用于 机器学习的气动力数据集； S2： 基于所述气动力数据集， 建立基学习过程； S3： 以基学习过程 为基础， 获得 元学习过程。 2.根据权利要求1所述的气动建模方法， 其特 征在于， S1的步骤 包括： S11： 获取初步气动力与初步 流场； S12： 基于模拟飞行器在不同攻角下的所述初步 流场， 获取静态气动力与静态流场； S13： 以所述静态流场为基础， 基于模拟飞行器在不同攻角、 振荡频率下的大振幅运动， 获取所述气动力数据； S14： 以获取的所述气动力数据为基础， 生成用于 机器学习的气动力数据集。 3.根据权利要求2所述的气动建模方法， 其特 征在于， S1 1步骤包括： S111： 生成气动计算网格； S112： 根据不同种类飞行器流动特点选取空间离散格式、 时间推进格式、 湍流模型、 预 处理、 熵修正等气动设置项 进行初步气动计算， 获得初步气动力与初步 流场； S113： 将所述初步气动力与初步 流场， 并通过 所述气动计算网格进行加密。 4.根据权利要求3所述的气动建模方法， 其特征在于， 生成所述气动计算网格采用的是 Pointwise网格生成软件， 在气动计算网格生成时， 在具有分离流动的区域进行加密。 5.根据权利要求3所述的气动建模方法， 其特征在于， 所述初步流场包括压力、 密度、 温 度、 能量、 速度等。 6.根据权利要求2所述的气动建模方法， 其特 征在于， S2步骤 包括： S21： 将所述气动力数据集的80％的数据形成训练集， 将剩余20％的数据形成验证集； S22： 基于深度神经网络， 形成初步机器学习模型， 所述深度神经网络主要包括输入层、 隐含层和输出层， 并初步设定学习层数、 每层神经 元个数、 损失函数等 参数； S23： 将所述训练集输入所述初步机器学习模型中， 评估机器学习效率以及精度； S24： 调整学习层数、 神经元个数、 损失函数等参数， 形成基于MAML的内部循环， 并计算 基学习器的参数完成基学习过程。 7.根据权利要求6所述的气动建模方法， 其特征在于， 所述训练集是通过数值模拟手段 得到的非线性气动力数据。 8.根据权利要求6所述的气动建模方法， 其特 征在于， S3步骤 包括： S31： 根据基学习器的参数获取 元学习器的参数； S32： 通过获取的元 学习器的参数完成元 学习过程。 9.根据权利要求8所述的气动建模方法， 其特 征在于， S31步骤 包括： S311： 计算基学习器的参数； S312： 根据基学习器的参数获取 元学习器参数。 10.一种气动建模系统， 其特 征在于， 包括： 数据集模块： 生成用于 机器学习的气动力数据集； 基学习器模块： 基于所述气动力数据集， 建立基学习过程； 元学习器模块： 以基学习过程 为基础， 获得 元学习过程。权　利　要　求　书 1/1 页 2 CN 114491790 A 2一种基于MAML的气动建模方 法及系统 技术领域 [0001]本发明属于飞行器气动设计领域， 具体涉及一种基于MAML的气动建模方法及系 统。 背景技术 [0002]目前工程上广泛应用的非线性非定常气动力建模方法主要有两类研究方法： 一类 是建立气动力和飞行物理量相关的传统数学类的气动模型(如代数模型、 阶跃响应模型 等)， 另一类是智能学习类的气动模 型(如模糊逻辑法、 支持向量机(SVM)等)。 其中传统数学 类方法是进 行大量的气动数据来进行分段线性气动建模， 模型精度较低， 参数辨识难度大， 已逐渐无法满足现有工程需求。 智能学习类方法可以建立较高精度的多输入多输出非线性 气动模型， 非常适合非线性 非定常气动力建模， 但由于此类方法主要为数据驱动， 普遍存在 数据需求量大、 学习时间长、 易出现过拟合、 小样本泛化能力较弱的问题， 这大大限制了智 能学习类气动建模方法的工程化应用。 所以需要利用智能学习类方法建模精度高的优势， 同时进一步增强模型小样本泛化能力， 兼顾学习效率与精度， 提高智能化气动建模的功 能 性、 实用性。 [0003]现阶段运用较多的智能学习类气动建模方法， 主要思路是通过机器学习获得模型 参数， 使得最 终参数能够在训练集上达到最佳精度， 损失最小， 此种方法面向的是学习的结 果。 MAML方法(Model ‑Agnostic  Meta‑Learning,模型无关元学习法)是一种基于深度 学习 发展出来的面向学习过程的方法。 通过此方法能建立气动模型框架， 能够学习出一个非常 好的模型初始化参数， 有了这个初始 化参数之后， 面对相似场景的非线性 非定常物理问题， 只需要少量的学习样本就可以快速在模型中收敛， 从而提高少样本下 的泛化能力， 兼顾精 度与学习效率， 具有较强工程应用背景， 对于我国未来战斗机的非线性非定常气动建模具 有重要意 义。 发明内容 [0004]本发明的目的是提供一种基于MAML的气动建模方法及系统， 提高气动模型少样本 下的泛化能力， 提高精度与学习效率。 [0005]为了实现上述目的， 一方面， 本 发明提供一种基于MAML的气动建模方法， 包括以下 几个步骤： [0006]S1： 生成用于 机器学习的气动力数据集； [0007]S2： 基于所述气动力数据集， 建立基学习过程； [0008]S3： 以基学习过程 为基础， 获得 元学习过程。 [0009]可选地， S1的步骤 包括： [0010]S11： 获取初步气动力与初步 流场； [0011]S12： 基于模拟飞行器在不同攻角 下的所述初步流场， 获取静态气动力与静态流 场；说　明　书 1/6 页 3 CN 114491790 A 3