-
公开(公告)号：CN114676639B
公开(公告)日：2024-12-03
申请号：CN202210344429.7
申请日：2022-03-31
Applicant: 上海大学
IPC: G06F30/15 , G06F30/28 , G06F30/27 , G06N3/0464 , G06N3/126 , G06N3/0985 , G06F119/14 , G06F111/04 , G06F113/28 , G06F113/08
Abstract: 本发明公开一种基于神经网络的飞行器气动外形优化方法、装置及介质。具体是通过WGAN‑div模型学习现有的飞行器形状特征，并使用潜在变量来稳定地生成多样化的设计，通过卷积神经网络对生成的飞行器形状进行智能参数化，通过MMoE‑3D模型的训练多任务学习，以实现对飞行条件下马赫数(0.4‑0.8,1.2‑1.6)和滚动角(2°‑90°)的轴向力CA、法向力CN、俯仰力矩Cm和压力中心Xcp的快速预测。最后，这三个部分被整合，并使用差分进化算法(DE)来完成飞行器形状的优化设计，有效地解决了飞行器气动外形优化慢的问题。
-
Patent Agency Ranking
公开(公告)号：CN116628854B
公开(公告)日：2024-12-03
申请号：CN202310606863.2
申请日：2023-05-26
Applicant: 上海大学
Abstract: 本发明公开一种翼型气动特性预测方法、系统、电子设备及存储介质，涉及气动外形优化设计技术领域。所述方法包括：获取目标飞机翼型外形的参数化变量和飞行条件；利用多任务多保真模型，对参数化变量和飞行条件进行气动特性预测，确定目标飞机翼型外形的高保真气动特性数据；多任务多保真模型包括第一多任务专家混合模型和第二多任务专家混合模型；第一多任务专家混合模型和第二多任务专家混合模型均是根据多任务学习方法和门控机制构建的；第一多任务专家混合模型用于确定目标飞机翼型外形的低保真气动特性数据；第二多任务专家混合模型用于将低保真气动特性数据转化为高保真气动特性数据。本发明能够提高数据的获取精度和速度。
-
公开(公告)号：CN114818477A
公开(公告)日：2022-07-29
申请号：CN202210344410.2
申请日：2022-03-31
Applicant: 上海大学
IPC: G06F30/27 , G06F30/17 , G06N3/04 , G06N3/08 , G06F111/08 , G06F119/14
Abstract: 本发明公开一种飞行器气动特性预测方法、装置及介质。本发明通过多门专家混合方法进行建模，跳出了将整个隐藏层完全的共享的思维定式，将共享层有意识的划分成了多个专家，并引入了门控机制，每个任务目标使用独立的门控权重，使每个专家对每个目标贡献不同，得以个性化组合使用共享层，与共享底层多任务模型相比，更好的处理了不同目标差异化的问题，而且不需要更多的模型参数。且相比于传统的神经网络气动特性预测方法，本发明在输入数据上加入了三维数据，使预测更加准确。
-
公开(公告)号：CN116628854A
公开(公告)日：2023-08-22
申请号：CN202310606863.2
申请日：2023-05-26
Applicant: 上海大学
Abstract: 本发明公开一种翼型气动特性预测方法、系统、电子设备及存储介质，涉及气动外形优化设计技术领域。所述方法包括：获取目标飞机翼型外形的参数化变量和飞行条件；利用多任务多保真模型，对参数化变量和飞行条件进行气动特性预测，确定目标飞机翼型外形的高保真气动特性数据；多任务多保真模型包括第一多任务专家混合模型和第二多任务专家混合模型；第一多任务专家混合模型和第二多任务专家混合模型均是根据多任务学习方法和门控机制构建的；第一多任务专家混合模型用于确定目标飞机翼型外形的低保真气动特性数据；第二多任务专家混合模型用于将低保真气动特性数据转化为高保真气动特性数据。本发明能够提高数据的获取精度和速度。
-
公开(公告)号：CN114818477B
公开(公告)日：2024-12-06
申请号：CN202210344410.2
申请日：2022-03-31
Applicant: 上海大学
IPC: G06F30/27 , G06F30/17 , G06N3/0442 , G06N3/084 , G06F111/08 , G06F119/14 , G06N3/047
Abstract: 本发明公开一种飞行器气动特性预测方法、装置及介质。本发明通过多门专家混合方法进行建模，跳出了将整个隐藏层完全的共享的思维定式，将共享层有意识的划分成了多个专家，并引入了门控机制，每个任务目标使用独立的门控权重，使每个专家对每个目标贡献不同，得以个性化组合使用共享层，与共享底层多任务模型相比，更好的处理了不同目标差异化的问题，而且不需要更多的模型参数。且相比于传统的神经网络气动特性预测方法，本发明在输入数据上加入了三维数据，使预测更加准确。
-
公开(公告)号：CN114676639A
公开(公告)日：2022-06-28
申请号：CN202210344429.7
申请日：2022-03-31
Applicant: 上海大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/14 , G06F111/04 , G06F113/28
Abstract: 本发明公开一种基于神经网络的飞行器气动外形优化方法、装置及介质。具体是通过WGAN‑div模型学习现有的飞行器形状特征，并使用潜在变量来稳定地生成多样化的设计，通过卷积神经网络对生成的飞行器形状进行智能参数化，通过MMoE‑3D模型的训练多任务学习，以实现对飞行条件下马赫数(0.4‑0.8,1.2‑1.6)和滚动角(2°‑90°)的轴向力CA、法向力CN、俯仰力矩Cm和压力中心Xcp的快速预测。最后，这三个部分被整合，并使用差分进化算法(DE)来完成飞行器形状的优化设计，有效地解决了飞行器气动外形优化慢的问题。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
