本發(fā)明涉及翼型設(shè)計領(lǐng)域，具體的為一種基于深度神經(jīng)網(wǎng)絡(luò)的多學(xué)科翼型反設(shè)計方法。

背景技術(shù)：

1、飛行器設(shè)計過程中，翼型的氣動設(shè)計方法可以分兩大類，一類是將空氣動力正問題求解與優(yōu)化算法相結(jié)合形成的氣動優(yōu)化設(shè)計方法，另一類則是通過直接求解空氣動力反問題思路建立的反設(shè)計方法。其中，氣動優(yōu)化設(shè)計方法利用cfd方法確定設(shè)計變量與空氣動力特性之間的相互關(guān)系，并通過優(yōu)化搜索方法獲得滿足設(shè)計目標(biāo)特性的最優(yōu)設(shè)計解，可以直接為設(shè)計者提供滿足設(shè)計目標(biāo)和約束要求的設(shè)計結(jié)果，被廣泛地應(yīng)用于飛行器外形設(shè)計領(lǐng)域，但這類方法需要進行大量的cfd計算，耗時較長，且設(shè)計的翼型不一定能完全符合氣動性能要求，針對性不強，一定程度上降低了飛行器設(shè)計的效率。而反設(shè)計方法根據(jù)給定的性能指標(biāo)，比如給定升阻比、壓力系數(shù)曲線等，反推出翼型形狀，這類方法能夠直接建立翼型氣動性能和幾何形狀的聯(lián)系，從而更直接、更快捷、更具有針對性。

2、目前，工程上最常用的翼型反設(shè)計方法為余量修正法，即基于初始翼型目標(biāo)壓力的差量計算幾何外形的修正量，疊加至初始翼型上并反復(fù)迭代得到最終翼型。專利cn104699901a中公布了一種基于差量采樣解的gappypod翼型反設(shè)計方法，該方法在數(shù)據(jù)庫采樣和迭代過程中采用cfd求解，設(shè)計過程比較耗時；專利cn?104834772a公布了一種基于人工神經(jīng)網(wǎng)絡(luò)的飛機翼型/機翼反設(shè)計方法，該方法需要先對壓力分布曲線進行參數(shù)化處理，參數(shù)化方法為多項式擬合，精度損失較大，且神經(jīng)網(wǎng)絡(luò)為淺層神經(jīng)網(wǎng)絡(luò)，無法適配氣動參數(shù)到翼型的復(fù)雜映射關(guān)系。同時，上述的方法都是基于壓力分布進行翼型反設(shè)計，但在實際反設(shè)計過程中，獲取壓力分布曲線是非常困難的，極大程度上依賴于設(shè)計人員的經(jīng)驗。專利cn111814246b中公布了一種基于生成對抗網(wǎng)絡(luò)的翼型反設(shè)計方法，該方法采用了深度學(xué)習(xí)中的生成對抗網(wǎng)絡(luò)，但僅建立了氣動參數(shù)到翼型的關(guān)系，局限于單學(xué)科、未能考慮低探測性參數(shù)。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提出一種基于深度神經(jīng)網(wǎng)絡(luò)的多學(xué)科翼型反設(shè)計方法，通過針對翼型的每一個點縱坐標(biāo)，建立一個同時考慮氣動和低探測性能的多學(xué)科深度神經(jīng)網(wǎng)絡(luò)，實現(xiàn)翼型反設(shè)計，多個深度神經(jīng)網(wǎng)絡(luò)保證了精度損失??；此外，本發(fā)明的深度神經(jīng)網(wǎng)絡(luò)采用多個隱藏層，每一層都能夠從數(shù)據(jù)中提取不同層次的特征，且深度神經(jīng)網(wǎng)絡(luò)在各層之間應(yīng)用了非線性激活函數(shù)，增加了模型的非線性表達能力，使其能夠處理更復(fù)雜的數(shù)據(jù)模式，從而能夠同時考慮氣動和低探測性進行多學(xué)科翼型反設(shè)計。

2、本發(fā)明是通過以下技術(shù)方案來實現(xiàn)：

3、一種基于深度神經(jīng)網(wǎng)絡(luò)的多學(xué)科翼型反設(shè)計方法，包括以下步驟：

4、步驟1：選擇翼型外形為設(shè)計目標(biāo)，選擇翼型的氣動低探測性能為設(shè)計變量；所述翼型外形為翼型的縱坐標(biāo)；所述氣動低探測性能包括翼型的升力系數(shù)、阻力系數(shù)俯仰力矩系數(shù)、前向雷達散射截面積；確定氣動、低探測性設(shè)計狀態(tài)；

5、步驟2：從已有的翼型庫中選取設(shè)定數(shù)量的翼型，對所選的翼型外形進行橫坐標(biāo)統(tǒng)一插值處理，獲得橫坐標(biāo)統(tǒng)一的翼型的縱坐標(biāo)值；

6、步驟3：對步驟2中插值得到的翼型外形，通過氣動、低探測性能計算獲取所選翼型在設(shè)計狀態(tài)下的氣動、低探測性能；

7、步驟4：根據(jù)步驟2得到的翼型縱坐標(biāo)值和步驟3得到的翼型氣動、低探測性能建立多個深度神經(jīng)網(wǎng)絡(luò)代理模型；所述深度神經(jīng)網(wǎng)絡(luò)模型的輸入為氣動、低探測性能，所述深度神經(jīng)網(wǎng)絡(luò)模型的輸出為翼型縱坐標(biāo)值；

8、步驟5：根據(jù)步驟4獲得的深度神經(jīng)網(wǎng)絡(luò)代理模型對給定氣動、低探測性能的翼型進行預(yù)測，獲得滿足氣動、低探測目標(biāo)性能的翼型外形。

9、進一步的，所述步驟2中選取翼型類型與目標(biāo)翼型的類型一致。

10、進一步的，所述步驟2中對選取翼型進行橫坐標(biāo)統(tǒng)一插值處理的方法具體為：使用分段線性等距插值獲取原始翼型橫坐標(biāo)，設(shè)翼型前緣點橫坐標(biāo)為零，在對翼型弦向站位做零一歸一化處理后，選取翼型前緣點、翼型上表面100個點和翼型下表面100個點合計201個點作為控制該翼型外形的控制點，根據(jù)201個點的橫坐標(biāo)獲取原始翼型在相應(yīng)橫坐標(biāo)值下的縱坐標(biāo)值，具體插值公式如下：

11、

12、其中(x,y)是需要插值的中間點，(x0,y0)和(x1,y1)是原始翼型上相鄰的兩個點的坐標(biāo)，即該插值段的兩個端點坐標(biāo)。

13、進一步的，所述步驟3中，采用rans方法計算獲得所選翼型的氣動性能參數(shù)，所述氣動性能參數(shù)包括翼型的升力系數(shù)、阻力系數(shù)俯仰力矩系數(shù)；采用矩量法計算獲得所選翼型的低探測性能參數(shù)，所述低探測性能參數(shù)為翼型的前向雷達散射截面積。

14、進一步的，所述步驟4中構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)的數(shù)量和翼型坐標(biāo)的數(shù)量保持一致；建立多個深度神經(jīng)網(wǎng)絡(luò)代理模型的過程具體為：取所有翼型的第一個縱坐標(biāo)值作為第一個深度神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)集，取所有翼型的第二個縱坐標(biāo)值作為第二個深度神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)集，以此類推直至將所有翼型的縱坐標(biāo)值全部取完并建立深度神經(jīng)網(wǎng)絡(luò)模型。

15、進一步的，所述深度神經(jīng)網(wǎng)絡(luò)模型包括輸入層、n個隱藏層和輸出層；所述隱藏層中包含多個神經(jīng)元；數(shù)據(jù)在所述深度神經(jīng)網(wǎng)絡(luò)中的傳遞過程為：

16、(1)輸入層：將翼型的氣動、低探測參數(shù)作為輸入數(shù)據(jù)傳入網(wǎng)絡(luò)，這些輸入數(shù)據(jù)包含了翼型的幾何特征與其氣動低探測性能的關(guān)聯(lián)信息；

17、(2)第一隱藏層：輸入數(shù)據(jù)經(jīng)過與第一隱藏層的權(quán)重參數(shù)相乘后，通過該層神經(jīng)元進行處理；每個神經(jīng)元對輸入數(shù)據(jù)進行加權(quán)求和，并通過relu激活函數(shù)進行非線性轉(zhuǎn)換，使得數(shù)據(jù)的特征在高維空間中被映射和提?。惠敵鼋Y(jié)果被傳遞到第二隱藏層作為輸入數(shù)據(jù)，同時通過反向傳播算法計算損失函數(shù)的梯度，并利用adam優(yōu)化器對該層的權(quán)重參數(shù)進行更新；

18、(3)第二隱藏層：第一隱藏層的輸出數(shù)據(jù)作為輸入，進入第二隱藏層；通過該層神經(jīng)元進行處理；每個神經(jīng)元對輸入數(shù)據(jù)進行加權(quán)求和，通過relu激活函數(shù)進行處理；輸出結(jié)果被傳遞至第三隱藏層，同時通過反向傳播算法計算損失函數(shù)的梯度，并利用adam優(yōu)化器對該層的權(quán)重參數(shù)進行更新；

19、(4)第n隱藏層：數(shù)據(jù)依次傳遞進入至最后一層隱藏層，即第n隱藏層；在這一層，數(shù)據(jù)再次經(jīng)過與權(quán)重參數(shù)相乘和relu激活函數(shù)的處理；輸出結(jié)果被傳遞到輸出層作為輸入數(shù)據(jù)，同時通過反向傳播算法計算損失函數(shù)的梯度，并利用adam優(yōu)化器對該層的權(quán)重參數(shù)進行更新；

20、(5)輸出層：最終，第n隱藏層的輸出作為輸入，進入輸出層；數(shù)據(jù)在這一層經(jīng)過最后的非線性變換和特征提取后，生成翼型的外形坐標(biāo)。

21、進一步的，所述深度神經(jīng)網(wǎng)絡(luò)中每個神經(jīng)元對輸入數(shù)據(jù)進行加權(quán)求和數(shù)值的計算，具體運算過程可表示為：

22、

23、其中，x為神經(jīng)元的輸入數(shù)據(jù)，運算符定義為內(nèi)積，w表示該神經(jīng)元上的強度權(quán)重系數(shù)，b表示神經(jīng)元的輸入偏移量，f表示激活函數(shù)，z表示神經(jīng)元的激活函數(shù)入?yún)?，o表示神經(jīng)元的激活函數(shù)出參。

24、進一步的，所述深度神經(jīng)網(wǎng)絡(luò)中每個隱藏層損失函數(shù)的梯度具體運算過程可表示為：設(shè)一個樣本量為n的訓(xùn)練樣本集合，其入?yún)⑾蛄考癁閇x1,...xi,...xn]，其中每個入?yún)i是一個n維向量；對應(yīng)的出參向量集為[y1,...yi,...yn]，其中每個出參yi是一個m維向量，則損失函數(shù)為：

25、

26、其中l(wèi)i表示第i個訓(xùn)練樣本的訓(xùn)練誤差，為方便后續(xù)計算，將其定義為該樣本出參向量與預(yù)測向量歐氏距平方的一半，即：

27、

28、由于梯度是各偏導(dǎo)數(shù)組成的向量，因而有：

29、

30、對于其中任一個訓(xùn)練樣本，其損失函數(shù)的梯度為：

31、

32、進一步的，所述步驟5中，在訓(xùn)練好的多個深度神經(jīng)網(wǎng)絡(luò)模型中輸入用戶期望獲得翼型的氣動低探測性能，每一個深度神經(jīng)網(wǎng)絡(luò)將預(yù)測輸出翼型的一個縱坐標(biāo)值，組合這些縱坐標(biāo)值和翼型的橫坐標(biāo)值，最終獲得反設(shè)計翼型。

33、有益效果

34、本發(fā)明提出的一種基于深度神經(jīng)網(wǎng)絡(luò)的多學(xué)科翼型反設(shè)計方法，通過針對翼型的每一個點縱坐標(biāo)，建立一個同時考慮氣動和低探測性能深度神經(jīng)網(wǎng)絡(luò)，實現(xiàn)翼型反設(shè)計，多個深度神經(jīng)網(wǎng)絡(luò)保證了精度損失小；同時本發(fā)明僅把氣動和低可探測性能少量參數(shù)作為輸入，不需要翼型的壓力分布曲線數(shù)據(jù)，減輕了對設(shè)計人員經(jīng)驗的依賴；此外，本發(fā)明的深度神經(jīng)網(wǎng)絡(luò)采用多個隱藏層，每一層都能夠從數(shù)據(jù)中提取不同層次的特征，且深度神經(jīng)網(wǎng)絡(luò)在各層之間應(yīng)用了非線性激活函數(shù)，增加了模型的非線性表達能力，使其能夠處理更復(fù)雜的數(shù)據(jù)模式，從而能夠同時考慮氣動和低探測進行翼型反設(shè)計。