-
公开(公告)号：CN117216886A
公开(公告)日：2023-12-12
申请号：CN202311487437.8
申请日：2023-11-09
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/15 , G06F30/20 , G06F30/28 , G06F30/27 , G06N3/0455 , G06F119/14 , G06F113/28 , G06F111/08 , G06F111/04
Abstract: 本发明提供一种基于扩散模型的飞行器气动布局反设计方法，属于飞行器外形设计选型技术领域，解决了现有技术中CFD计算复杂等问题；该方法包括：S1、通过编码空间插值方式，构建出有翼飞行器的气动性能数据库；S2、依据气动性能数据库，设计从气动性能至飞行器气动布局的连续条件的扩散模型；S3、应用kd树原理，对扩散模型进行训练；S4、扩散模型训练完成后，为其适配不同工况条件下的生成采样方式，生成外形编码；S5、将生成得到的外形编码重构为飞行器气动布局外形；本发明首次使用条件扩散模型，丰富了飞行器外形设计内容，同时具有能适应多种工况，更贴近工程现实，设计过程稳定可靠的优点。
-
公开(公告)号：CN119167804B
公开(公告)日：2025-02-28
申请号：CN202411687292.0
申请日：2024-11-25
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/27 , G06N3/0475 , G06N3/094 , G06N3/088 , G06N3/096 , G06F111/04
Abstract: 本申请公开了基于物理约束双判别器GAN的多变量流场关联分析方法、装置、设备及存储介质，涉及数据分析技术领域，包括：构建物理约束双判别器GAN模型以生成目标流场变量的特征编码变量；第一目标损失函数为基于目标流场变量的物理特征构建的损失函数；流场数据判别器包括流场数据空间判别器和流场数据时间判别器；通过降维可视化空间投影方法将特征编码变量降维以得到流场变量分布图并基于流场变量分布图中各变量之间的相互关系构建目标多变量关联图；利用物理约束双判别器GAN模型和目标多变量关联图中目标变量对之间的物理特征关系进行目标变量对之间的变量转换。这样一来，可以实现流场变量间的自动转换，全面探索数据间的关联性。
-
公开(公告)号：CN119091085B
公开(公告)日：2025-02-07
申请号：CN202411571367.9
申请日：2024-11-06
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
Abstract: 本发明提供一种面向三维飞行器气动系数预测的数据增广与模型训练方法、系统及介质，涉及飞行器气动系数快速预测领域，解决了智能CFD中高质量CFD数据的稀缺性与高成本问题；方法包括：定义包括外形、工况、气动系数在内的基础气动数据集，将采样后的点云数据与工况、气动系数共同构成气动数据库；对点云数据进行随机采样，得到增广后的点云数据，在气动数据库基础上构成增广后的气动数据库；构建气动系数预测神经网络，完成预训练后使用增广后的气动数据库对该神经网络微调，得到面向三维飞行器气动系数预测的智能模型；本发明是低成本的气动数据增广方案，利用了通用三维数据，减少模型对气动数据的需求，提升了智能模型的效能。
-
公开(公告)号：CN119091085A
公开(公告)日：2024-12-06
申请号：CN202411571367.9
申请日：2024-11-06
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06T17/20
Abstract: 本发明提供一种面向三维飞行器气动系数预测的数据增广与模型训练方法、系统及介质，涉及飞行器气动系数快速预测领域，解决了智能CFD中高质量CFD数据的稀缺性与高成本问题；方法包括：定义包括外形、工况、气动系数在内的基础气动数据集，将采样后的点云数据与工况、气动系数共同构成气动数据库；对点云数据进行随机采样，得到增广后的点云数据，在气动数据库基础上构成增广后的气动数据库；构建气动系数预测神经网络，完成预训练后使用增广后的气动数据库对该神经网络微调，得到面向三维飞行器气动系数预测的智能模型；本发明是低成本的气动数据增广方案，利用了通用三维数据，减少模型对气动数据的需求，提升了智能模型的效能。
-
Patent Agency Ranking
公开(公告)号：CN118981988A
公开(公告)日：2024-11-19
申请号：CN202411467505.9
申请日：2024-10-21
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/28 , G06F30/27 , G06F18/23213 , G06N3/0464 , G06N3/088
Abstract: 本发明涉及流体大数据智能可视分析技术领域，公开了一种基于表示学习和混合聚类的关键时间步选取方法及系统，其中方法包括：构建基于物理知识引导的深度卷积自编码器用于流场低维表示学习，并以无监督学习方式获取每个时间步流场的特征向量，形成流场特征序列；基于流形学习方法对所述流场特征序列进行处理得到二维紧致表示，并在二维空间中采用混合聚类方法选取关键时间步。本发明的嵌入物理知识深度卷积自编码器充分考虑了流场中的潜在物理规律，能精准地提取出流场的低维表示；基于流形学习和混合聚类的方法解决了传统聚类方法在高维数据中性能受限的问题，可直观快速选取流场关键时间步。
-
公开(公告)号：CN118519787B
公开(公告)日：2024-10-29
申请号：CN202410985246.2
申请日：2024-07-23
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
Abstract: 本发明公开了一种基于无同步SpTRSV算法的访存与并行效率优化方法，属于高性能并行计算领域，包括：步骤一，根据稀疏矩阵非零元素将行划分为长行和短行；步骤二，将目标向量x的值均设置为最大值；步骤三，将写阶段所需的数据预取到寄存器中；步骤四，在读阶段，判断依赖情况并进行累加操作；步骤五，在写阶段，从寄存器读取数据，计算对应行x的值。本发明解决了目前无同步SpTRSV算法中线程级并行写阶段的线程分歧问题，以及线程级和线程束级粗粒度的选择策略，从而导致GPU利用率不高的问题。
-
公开(公告)号：CN118171207B
公开(公告)日：2024-07-16
申请号：CN202410591155.0
申请日：2024-05-13
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F18/2431 , G06F18/213 , G06F30/28 , G06F113/08
Abstract: 本发明公开了一种基于涡量和雷诺数映射关系的三维流场智能分类方法，其包括将三维流场中的流场属性集中的每个离散采样点定义为具有位置、时间和速度三个物理量，将三维涡量定义为速度的旋度；将三维涡量表征为二维涡量；推导出二维涡量与雷诺数的对应关系，得到三维流场分类标准；通过连续采样时间的二维涡量，计算得到二维涡量时间序列，并将其作为二维涡量智能分类模型的输入；将二维涡量时间序列作为二维涡量智能分类模型的训练样本并对其进行训练，得到训练好的二维涡量智能分类模型；将新的二维涡量时间序列输入训练好的二维涡量智能分类模型中，得到三维流场所属分类。本发明提高了三维流场的分类效率。
-
公开(公告)号：CN117034815A
公开(公告)日：2023-11-10
申请号：CN202311287466.X
申请日：2023-10-08
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/28 , G06F30/27 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种基于切片的超声速无粘流动智能初场设置方法，该方法包括将超声速飞行器在不同状态下的流场沿来流方向切片；对每一张切片生成坐标矩阵、形状矩阵、数据流场矩阵和来流矩阵；拼接所述坐标矩阵、所述形状矩阵、所述数据流场矩阵和所述来流矩阵得到输入矩阵和标签矩阵；以所述标签矩阵作为真实值，采用融合距离权重的均方误差作为代价函数训练超声速无粘流动的初场智能预测模型；将输入矩阵输入训练后的模型获取预测初场。本发明属于流体力学和人工智能技术领域，利用深度学习提取流场的特征和规律，可以预测出更加准确的流场初始条件，提高计算结果的准确性和可靠性。
-
公开(公告)号：CN114996658B
公开(公告)日：2022-11-08
申请号：CN202210852261.0
申请日：2022-07-20
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
Abstract: 本发明提供了一种基于投影的高超声速飞行器气动热预测方法，包括：步骤1、将三维飞行器在多个不同平面进行投影获得多视图深度投影图像；步骤2、构建并训练热流图像智能预测模型及最大最小热流预测模型；步骤3、在不同来流条件下，输入多视图深度投影图像至热流图像智能预测模型及最大最小热流预测模型，得到热流图像和热流最大最小值；步骤4、获取多视图深度投影图像对应的真实热流图像；步骤5、将多视图深度投影图像重构为三维点云，结合热流图像得到三维热流点云，再进行插值得到三维飞行器的壁面热流分布。本发明能够高效精确地进行飞行器表面气动热环境预测，通过投影后得到的图像进行直接预测，一次获得所有点的热流值，更加高效。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.042 seconds)
