融合GAN和迁移学习的气动形状优化设计方法及系统及设备

融合gan和迁移学习的气动形状优化设计方法及系统及设备
技术领域
1.本发明属于气动形状设计优化领域，特别涉及融合gan和迁移学习的气动形状优化设计方法及系统及设备。


背景技术：

2.近年来，在机械部件气动形状工程优化领域，自动化的优化设计方法受到越来越广泛的应用。自动优化设计方法需要人为确定一个可以参数化的设计空间，空间中的每个样本都对应一个具体的几何设计方案。以计算机模拟计算的结果作为寻优的目标，借助特定的优化算法就可以自动化地设计得到具有优异气动性能的部件几何形状。自动化设计方法的使用可以有效减少对于设计人员经验的需求，快速高质量地完成设计。
3.然而，高精度的cfd样本计算往往需要消耗大量了的时间和计算资源，因此减少优化设计过程中的样本计算次数、提高优化设计的效率具有重大的工程意义。


技术实现要素：

4.本发明的目的在于提供一种融合gan和迁移学习的气动形状优化设计方法及系统及设备，通过对已完成相似优化任务样本信息的灵活利用以实现。
5.为实现上述目的，本发明采用以下技术方案：
6.融合gan和迁移学习的气动形状优化设计方法，包括以下步骤：
7.采集设计对象的设计参数建立计算流体动力学模拟流程，同时确定优化设计的优化目标性能；
8.获取已完成相似优化任务的样本信息。在此相似的优化任务定义为具有相似流动特征的优化任务，比如两个同样工作在亚音速工况下但马赫数、雷诺数等工况参数不完全相同的叶栅。将对上述相似任务的样本进行采集，并采用相同的散点表示形式进行型线数据表征。
9.记这些样本数据为{x
data
,y
data
}，假设已有样本的个数为n
data
，每个样本包含几何设计数据x
data
与代表优化目标的性能结果数据y
data
；
10.使用几何设计数据x
data
建立生成对抗神经网络gan，得到新的潜变量设计空间，设计空间的设计变量个数为d；
11.通过训练完成的对抗神经网络，输入d维数据后输出一个几何设计，将所获得的潜变量设计空间用z表示；使用ga算法将几何设计源数据样本{x
data
,y
data
}投影到空间z中，记为{zs,ys}；
12.空间z中的初始样本的数量为n
ini
＝6d，z空间中的样本坐标集合记为z
t
，对获取的样本进行评估，获得对应的评估值y
t
；
13.使用样本集合{z
t
,y
t
}，分别建立代理模型，搜索ei函数最大化的坐标得到新坐标
14.分别对新坐标对于的几何设计进行性能评估，将评估后得到的两组样本加入样本集合{z
t
,y
t
}中；
15.对于更新后的样本集合循环执行建立代理模型，搜索新样本，添加新样本的步骤直到满足优化停止条件。
16.进一步的，采集设计对象的设计参数建立计算流体动力学模拟流程。
17.进一步的，从数据库中获取已完成相似优化任务的样本信息。
18.进一步的，设计变量个数d为自行确定的整数，数值越大，空间中几何设计的变化范围就越大，设计细节就越丰富。
19.进一步的，训练完成的对抗神经网络中，生成器的输入变量z为d维的在[0,1]区间内均匀分布的随机变量，gan神经网络中设置训练的迭代次数为50000步。
[0020]
进一步的，在空间z中采用lhs方法进行初始采样。
[0021]
进一步的，使用样本集合{z
t
,y
t
}，建立单保真度的kriging代理模型对于所建立的代理模型，搜索ei函数最大化的坐标得到新坐标
[0022]
进一步的，使用样本集合{z
t
,y
t
}作为高精度样本，使用样本集合{zs,ys}作为低精度样本，建立多保真度co-kriging代理模型对于所建立的代理模型，搜索ei函数最大化的坐标得到新坐标
[0023]
进一步的，融合gan和迁移学习的气动形状优化系统，包括：
[0024]
流体动力学模拟流程建立模块，用于采集设计对象的参数建立计算流体动力学模拟流程，同时确定优化设计的优化目标性能；
[0025]
数据获取模块，用于获取已完成相似优化任务的样本信息，记这些样本数据为{x
data
,y
data
}，假设已有样本的个数为n
data
，每个样本包含几何设计数据x
data
与代表优化目标的性能结果数据y
data
；
[0026]
对抗神经网络建立模块，用于使用几何设计数据x
data
建立生成对抗神经网络gan，得到新的潜变量设计空间，设计空间的设计变量个数为d；通过训练完成的对抗神经网络，输入d维数据后输出一个几何设计，将所获得的潜变量设计空间用z表示；几何设计源数据样本{x
data
,y
data
}均投影到空间z中，记为{zs,ys}；在投影过程中，通过ga算法优化来逼近几何模型在空间z中的对应坐标zs，优化搜索的输入为z空间中的坐标，优化的目标是使得z空间中坐标通过生成器生成的几何模型与x
data
中实际模型的误差最小；ys的取值与y
data
相同。
[0027]
评估值获取模块，用于空间z中的初始样本的数量为n
ini
＝6d，z空间中的样本坐标集合记为z
t
，对获取的样本进行评估，获得对应的评估值y
t
；
[0028]
新坐标获取模块，用于使用样本集合{z
t
,y
t
}，分别建立代理模型，搜索ei函数最大化的坐标得到新坐标
[0029]
评估模块，用于分别对新坐标对于的几何设计进行性能评估，将评估后得到的两组样本加入样本集合{z
t
,y
t
}中；对于更新后的样本集合循环执行建立代理模型，搜索新样本，添加新样本的步骤直到满足优化停止条件。
[0030]
进一步的，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在
所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现融合gan和迁移学习的气动形状优化设计方法的步骤。
[0031]
与现有技术相比，本发明有以下技术效果：
[0032]
本发明使用了深度学习技术gan网络来进行新的设计空间参数化造型方法的建立，这一方法解决了不同设计任务参数化空间无法兼容的问题，使得数据库中已完成的设计任务的数据可以无障碍地应用到新的设计任务中，从而提高新任务的优化效率。
[0033]
本方法使用了深度学习技术gan网络来完成优化的参数化造型环节，相对于传统的造型方法，本方法并不局限于固定的参考设计，可以在较大的变化尺度范围内构造出合理的部件几何造型，拓宽了优化设计的探索范围。
[0034]
本方法在优化过程中提出了gto优化算法，通过同时构造单保真度代理模型和多保真度代理模型，在保真优化鲁棒性的同时有效利用了数据库中的积累数据提升了优化的效率。
附图说明
[0035]
图1为本发明实施例的原理图。
[0036]
图2为本发明实施例的潜空间构造方法的具体流程示意图。
具体实施方式
[0037]
以下结合附图对本发明进一步说明：
[0038]
一种融合gan和迁移学习的气动形状设计优化方法，包括以下步骤：
[0039]
根据设计对象的设计需求和优化目标，建立计算流体动力学模拟流程，同时确定优化设计的优化目标性能。对于每一个输入的几何设计，都可以得到唯一的气动性能参数输出；
[0040]
从数据库中获取已完成相似优化任务的样本信息，记这些样本数据为{x
data
,y
data
}，假设已有样本的个数为n
data
,每个样本包含可以由点云表示的几何设计数据x
data
与代表优化目标的性能结果数据y
data
。
[0041]
对于一类特定的设计任务，往往存在着记录之前的设计结果的数据库，数据库中信息的来源可以是国内外成熟产品已公开的设计几何信息，也可以是使用者自己积累的以往设计数据。
[0042]
使用几何设计数据x
data
建立生成对抗神经网络(gan)，由此得到一个新的潜变量设计空间。
[0043]
确定所构造的设计空间的设计变量个数d。d为由使用者自行确定的整数，d的数值越大，空间中几何设计的变化范围就越大，设计细节就越丰富，但也会提高优化搜索的难度。
[0044]
如图2所示的，生成器的输入变量z为d维的在[0,1]区间内均匀分布的随机变量，gan神经网络中生成器与判别器的具体设置细节如表1所示。设置训练的迭代次数为50000步。
[0045]
表1gan网络设置细节
[0046][0047][0048]
通过训练完成的神经网络，输入d维数据后即可输出一个几何设计。将所获得的潜变量设计空间用z表示。几何设计源数据样本{x
data
,y
data
}均可以投影到空间z中，记为{zs,ys}。在投影过程中，通过ga算法优化来逼近几何模型在空间z中的对应坐标zs，优化搜索的输入为z空间中的坐标，优化的目标是使得z空间中坐标通过生成器生成的几何模型与x
data
中实际模型的误差最小；ys的取值与y
data
相同。
[0049]
在空间z中lhs方法进行初始采样，初始样本的数量为n
ini
＝6d，z空间中的样本坐标集合记为z
t
。对获取的样本进行评估，获得对应的评估值y
t
。
[0050]
使用样本集合{z
t
,y
t
}，建立单保真度的kriging代理模型对于所建立的代理模型，搜索ei函数最大化的坐标得到新坐标
[0051]
使用样本集合{z
t
,y
t
}作为高精度样本，使用样本集合{zs,ys}作为低精度样本，建立多保真度co-kriging代理模型对于所建立的代理模型，搜索ei函数最大化的坐标得到新坐标
[0052]
分别对新坐标对于的几何设计进行性能评估，将评估后得到的两组样本加入样本集合{z
t
,y
t
}中。
[0053]
对于更新后的样本集合循环执行建立代理模型，搜索新样本，添加新样本的步骤直到满足优化停止条件。
[0054]
如图1所示，本实施例提供了一种融合gan和迁移学习的气动形状设计优化方法并应用于气动造型优化设计中，具体包括以下步骤：
[0055]
1.优化设计任务的建立
[0056]
本施例选择最为常用的低速翼型作为设计对象。优化的目标为最大化翼型的升力阻力比例l/d，翼型设计的外流条件为：雷诺数re＝1.8
×
106，马赫数ma＝0.01，设置翼型的攻角为0度。
[0057]
2.性能评估模型的建立
[0058]
采用xfoil软件对所获得的二维几何模型进行自动化评估，输出结果为翼型的升阻比。
[0059]
3.设计空间的建立
[0060]
本发明的优化设计空间依据已完成任务样本使用gan方法来自动建立，在本施例中，使用一组已完成优化的样本{x
data
,y
data
}为源样本，该已完成优化任务的外流马赫数ma＝0.45。使用几何样本的点云作为输入，设置设计空间变量个数d＝13，如表1所示建立gan神经网络。以训练后的gan网络作为参数化造型方法建立潜变量设计空间z。并将几何设计源数据样本{x
data
,y
data
}均投影到空间z中，记为{zs,ys}；在投影过程中，通过ga算法优化来逼近几何模型在空间z中的对应坐标zs，优化搜索的输入为z空间中的坐标，优化的目标是使得z空间中坐标通过生成器生成的几何模型与x
data
中实际模型的误差最小；ys的取值与y
data
相同。
[0061]
4.优化设计的具体过程
[0062]
参考图1，其具体过程如下：
[0063]
4a.在建立的设计空间z中使用lhs方法获得分布较为均匀的78个样本坐标，使用建立的性能评估模型对其进行性能评估获得这78个设计样本的升阻比，得到包含78个样本的集合{z
t
,y
t
}。
[0064]
4b.使用4a中获得的样本坐标z
t
和样本值y
t
建立单保真度kriging代理模型，通过对建立的单保真度kriging代理模型进行最大化ei搜索，得到新坐标(由于默认优化过程中的目标为最小值，样本值设置为升阻比乘以-1)
[0065]
4c.使用4a中获得的样本集合{z
t
,y
t
}作为高精度来源，使用转化后的已完成任务数据{zs,ys}作为低精度来源，建立多保真度co-kriging代理模型，通过对建立的多保真度co-kriging代理模型进行最大化ei搜索，得到新坐标
[0066]
4d.使用建立的性能评估模型对新坐标对应的几何设计进行性能评估获得其升阻比，将这两个样本的数据加入集合{z
t
,y
t
}。
[0067]
4f.重复步骤4b～4d，直到满足优化的停止条件。
[0068]
5.优化设计的结果：
[0069]
重复上述步骤进行10次独立的优化，翼型优化设计的结果如表2所示。
[0070]
表2优化结果细节
[0071] 升力阻力比参考设计137.047优化设计240.153提升比例75.23％
优化结果标准差5.911
[0072]
本发明的原理如下：
[0073]
本发明的最大特点与创新体现在应用gan神经网络获得可复用于多个类似设计任务的，潜变量设计空间生成方法和实现气动形状迁移优化的gto优化算法两个部分。这两种方法的共同使用可以将已完成相似优化任务的数据应用到新的优化设计任务中去，有效提升新任务的优化效率，节约
[0074]
潜变量设计空间生成方法使用gan神经网络算法来建立符合源任务几何设计特征的参数化空间。
[0075]
gto迁移优化算法通过同时建立包含源任务迁移信息的多保真度代理模型和不包含迁移信息的单保真代理模型来完成优化加点。相对与只建立单保真度模型的ego算法，gto算法由于使用了迁移信息而具有更高的效率；相对于只建立多保真度模型的sto算法,gto算法具有更强的鲁棒性，也可以避免由于负迁移导致的优化停滞。
[0076]
本发明在一实施例中，提供一种融合gan和迁移学习的气动形状设计优化系统，能够用于实现上述的融合gan和迁移学习的气动形状设计优化方法，具体的，该融合gan和迁移学习的气动形状设计优化系统包括：
[0077]
流体动力学模拟流程建立模块，用设计对象的设计参数建立计算流体动力学模拟流程，同时确定优化设计的优化目标性能；
[0078]
数据获取模块，用于获取已完成相似优化任务的样本信息，记这些样本数据为{x
data
,y
data
}，假设已有样本的个数为n
data
，每个样本包含几何设计数据x
data
与代表优化目标的性能结果数据y
data
；
[0079]
对抗神经网络建立模块，用于使用几何设计数据x
data
建立生成对抗神经网络gan，得到新的几何设计空间，设计空间的设计变量个数为d；通过训练完成的对抗神经网络，输入d维数据后输出一个几何设计，将所获得的潜变量设计空间用z表示；使用ga算法将几何设计源数据样本{x
data
,y
data
}投影到空间z中，记为{zs,ys}；
[0080]
评估值获取模块，用于空间z中的初始样本的数量为n
ini
＝6d，z空间中的样本坐标集合记为z
t
，对获取的样本进行评估，获得对应的评估值y
t
；
[0081]
新坐标获取模块，用于使用样本集合{z
t
,y
t
}，分别建立代理模型，搜索ei函数最大化的坐标得到新坐标
[0082]
评估模块，用于分别对新坐标对于的几何设计进行性能评估，将评估后得到的两组样本加入样本集合{z
t
,y
t
}中；对于更新后的样本集合循环执行建立代理模型，搜索新样本，添加新样本的步骤直到满足优化停止条件。
[0083]
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现
一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于融合gan和迁移学习的气动形状设计优化的操作。
[0084]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。