一种基于多任务学习的翼型气动数据计算方法及系统

本发明属于空气动力学和深度学习，涉及一种基于多任务学习的翼型气动数据计算方法及系统。

背景技术：

1、翼型优化设计是飞行器设计中的关键步骤，决定了飞行器在实际飞行中的性能指标，而准确的计算翼型的升力、阻力等气动数据对翼型的设计优化和飞行器的性能、机动性、稳定性有着极其重要的影响，但翼型气动分析往往存在周期长、计算资源开销大等缺点，不适用于复杂多变的飞行器飞行环境。

2、传统翼型气动分析的方法一般为cfd模拟仿真，优点在于不存在操作安全性风险，同时计算近似控制方程，数据精度相对较高，花费相对较小；缺点在于计算精度易受网格密度的影响，同时在翼型优化、流固耦合等需要大迭代流动解时是一种十分耗时的计算过程，并且部分复杂的控制方程没有数值解。目前比较流行的解决方法是rom降解模型、深度学习方法等。rom降解模型对控制方程进行降阶，简化了控制方程，提高了求解效率，但数据间的高度非线性使得其计算气动数据更加困难，难以适用于多尺度、瞬态和不连续过程，而深度学习方法恰好能够弥补传统方法的不足，因此本发明采用深度学习的方法进行飞行器气动数据计算。

3、近十几年来，随着信息化时代的来临，数据呈现爆炸式增长，从而也催生出了许多优秀的数据分析方法，而深度学习便是其中最为闪耀的新星。深度学习即dnn通过设计多层神经网络，不断的加深以及拓宽每一层的神经元，理论上可以映射到任意函数，从而解决十分复杂的问题，其在图像识别、面部识别等领域表现十分突出。同样在飞机气动性能分析、流场预测等流体力学、空气动力学领域，深度学习也表现出了惊人的潜能，深度学习方法极大地提高了气动数据的求解速度，解决数据间高度非线性、维度高的问题，使用深度学习进行特征提取、特征融合等是流体力学分析常用的方法。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于多任务学习的翼型气动数据计算方法及系统，采用一种多任务学习方法，构建翼型重构网络提取翼型几何特征，设计翼型流场预测网络提取翼型在全局环境下的粗粒度压力系数曲线，设计翼型压力系数生成网络提取翼型在局部环境下的细粒度压力系数曲线，并且通过“十字绣”网络将两者线性结合起来，计算翼型的升力、阻力、力矩等气动系数。通过多任务学习的方法减少了训练数据，同时pinn的加入使得模型更具有物理可解释性，翼型的几何特征的预处理也使得多任务学习模型的结果精准度更高，训练速度更快，能够更快地收敛，并且使得预测模型更加的全面。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于多任务学习的翼型气动数据计算方法，该方法包括以下步骤：

4、s1、数据预处理：使用卷积神经网络cnn提取翼型几何特征，输入为翼型的计算坐标、曲率以及翼型图片，通过ae网络重构翼型以及self-attention，提取出翼型的latentvector；

5、s2、任务一：使用u-net模型预测翼型的流场，模型融合步骤s1中的翼型latentvector，同时损失函数融合了pinn中压力场以及速度场的偏导；

6、s3、任务二：使用gan重构细粒度的翼型压力系数曲线，将翼型环境特征和翼型latent vector进行特征融合；

7、s4、通过卷积神经网络，提取任务一中预测流场的粗粒度翼型压力系数曲线特征，通过“十字绣”网络，将粗粒度的翼型压力系数曲线和任务二得到的细粒度的翼型压力系数曲线相结合，输出翼型的气动系数。

8、进一步，在步骤s1中，具体包括：

9、s11、曲线提取翼型曲率特征：使用曲线将翼型二维坐标表示为多个多项式，从每个多项式的切线空间中计算曲线的弯曲程度，即曲率；

10、s12、卷积神经网络cnn提取翼型几何特征：将翼型的二维坐标、翼型图片、s11中得到的曲率转为矩阵数据的形式，作为cnn的输入；

11、s13、ae网络提取翼型的latent vector：通过编码器-解码器的架构，构建卷积层和反卷积层，以重构翼型的方式提取翼型几何特征的latent vector。

12、进一步，在步骤s2中，具体包括：

13、s21、openfoam软件生成翼型的流场数据以及气动数据：在真实条件下，马赫数的取值范围为0.1-0.6，翼型攻角的取值范围为正负10°之间，雷诺数的取值范围为10的6次方到7次方，计算出每种条件下不同的翼型流场、翼型气动力，例如升力、阻力、力矩等参数；

14、s22、u-net的网络结构预测翼型的流场：将翼型图片以及环境特征图片，例如攻角、流速等输入到模型中，输出为翼型在该条件下对应的压力场和在x、y方向上的速度场，损失函数为l1 loss；

15、s23、使用pinn增强模型的可解释性：已知s22中的损失函数为mse，将压力场的偏导和速度场的偏导添加到损失函数中去，使其具有一定的物理可解释性。

16、进一步，在步骤s3中，具体包括：

17、s31、全连接层连接翼型latent vector和环境特征：通过全连接神经网络对s1-3得到的latent vector和环境特征线性拼接起来，通过步骤s32去修正每个节点对结果的影响；

18、s32、自注意力机制计算latent vector和环境特征的相互影响关系：将自注意力机制与全连接网络融合在一起，其主要目的是想让网络注意到整个输入中不同部分之间的相关性。首先根据输入的不同向量矩阵，设置key、query、value，其次利用key和query计算每两个输入向量之间的相关性，即计算attention的值α，对a矩阵进行softmax操作得到新的矩阵a'，最后得到对应输入的输出b；通过自注意力机制模块得到的输出包含了所有输入之间的相互关系，模型训练效果更好；

19、s33、全连接网络融合翼型特征：将步骤s32中通过自注意力模块处理得到的翼型隐层特征以及环境特征作为融合网络的输入，将输入的特征通过融合网络压缩到更低维度，作为后续gan网络的输入；

20、s34、gan的生成器生成压力系数曲线：根据步骤s33中自注意力机制构成的融合网络得到生成器的输入，同时根据gan的性质，需要将随机变量z作为生成器的部分输入，通过反卷积网络生成新的压力系数曲线，作为gan的鉴别器的输入；

21、s35、gan的鉴别器鉴别生成和真实压力系数曲线：根据步骤s34得到生成的压力系数曲线以及假的压力系数曲线，同时将真实的压力系数曲线一起输入到鉴别器，计算出两者与真实数据的差异性；

22、s36、计算loss，更新网络参数：根据步骤s35得到的差异性，同时结合损失函数去更新整个网络参数，进行训练。

23、进一步，在步骤s4中，具体包括：

24、s41、通过十字绣网络连接任务一的输出和任务二的输出：将任务一通过全连接层后的向量以及任务二通过卷积神经网络的向量进行线性连接，计算两者的相互影响系数；

25、s42、输出翼型的气动系数，并计算loss，更新网络：通过“十字绣”网络的学习，输出翼型的升力、阻力、力矩等气动系数，并且使用l1 loss更新网络。

26、本发明还提供了一种基于多任务学习的翼型气动数据计算系统。

27、本发明的有益效果在于：

28、本发明设计了一种新的模型，有效地把深度学习模型ae、gan、u-net、多任务学习模型与流体力学、空气动力学结合在一起，挖掘其隐藏特征，精准地预测翼型的气动系数。同时通过提取翼型几何信息、曲率等特征，使得模型能够更好地表征翼型的几何形状。使用自注意力机制构建融合网络，使得模型能够更好地融合不同特征之间的关系，使其预测结果更加精准。使用pinn使得模型更具有物理可解释性。在模型中使用深度学习网络，能够使模型更快地达到收敛，并且能够使得预测模型训练更加全面。

29、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。