-
公开(公告)号：CN118690689A
公开(公告)日：2024-09-24
申请号：CN202411171162.1
申请日：2024-08-26
Applicant: 中国空气动力研究与发展中心超高速空气动力研究所
IPC: G06F30/28 , G06F30/27 , G06N3/0442 , G06N3/09 , G06F113/08
Abstract: 本发明属于计算流体力学领域，公开了一种基于符号回归构建高阶本构方程的方法，包括误差源项物理修正；数据采集与预处理；构建符号回归模型；构建高阶本构方程数学表达式；高阶本构方程模型评估与验证。本发明的基于符号回归构建高阶本构方程的方法，采用误差源项修正和数据预处理等手段，从根本上解决了高阶本构方程在源项确定和修正方面的局限性，使得高阶本构方程模型能够更加准确地反映实际流体流动，并提高高阶本构方程模型的建模准确性和预测能力。采用的符号推理方法，使得从数据驱动模型中提取可解释的信息和知识成为可能，帮助研究人员更好地理解流体力学系统中各变量之间的数学关系。
-
公开(公告)号：CN118551667A
公开(公告)日：2024-08-27
申请号：CN202411017739.3
申请日：2024-07-29
Applicant: 中国空气动力研究与发展中心超高速空气动力研究所
IPC: G06F30/27 , G06F30/28 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种高保真建模方法、装置、设备、介质及产品，属于建模技术领域。方法包括：获取低保真数据样本和高保真数据样本；利用低保真数据样本的特征条件和低保真数据，建立低保真模型；利用低保真模型针对高保真数据样本的特征条件输出相同特征条件下的低保真预测数据；利用相同特征条件下的低保真预测数据和高保真数据样本，建立高保真模型；利用高保真模型获取多个不同特征条件下的高保真预测数据，选取最优的至少一个高保真预测数据填充至高保真数据样本中，利用填充后的高保真数据样本对高保真模型进行下一轮训练迭代，直到满足训练结束条件，得到高保真模型。本发明能够降低高保真模型的过拟合现象，提高高保真模型输出数据的精度。
-
公开(公告)号：CN118446139A
公开(公告)日：2024-08-06
申请号：CN202410907673.9
申请日：2024-07-08
Applicant: 中国空气动力研究与发展中心超高速空气动力研究所
IPC: G06F30/28 , G06F30/27 , G06F17/12 , G06N3/09 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种基于机器学习的对流扩散方程梯度演化方法，涉及计算流体力学领域，包括：S1、在一维对流扩散方程中引入修正函数#imgabs0#，以得到附加源项的对流方程组，S2、随机引入不同的函数表达式代入S1的对流方程组中，将计算的结果作为训练数据集；S3、采用训练数据集对符号回归神经网络进行训练，并将修正函数#imgabs1#作为优化自变量，对应的收敛步数作为优化目标函数，得到修正方程#imgabs2#；S4、将#imgabs3#代入对流方程组中完成梯度演化求解。本发明提供一种基于机器学习的对流扩散方程梯度演化方法，将符号回归的机器学习方法运用于对流扩散方程的梯度演化求解上，能将求解效率提高四到五倍。
-
公开(公告)号：CN117973268B
公开(公告)日：2024-06-07
申请号：CN202410370193.3
申请日：2024-03-29
Applicant: 中国空气动力研究与发展中心超高速空气动力研究所
IPC: G06F30/28 , G06F18/214 , G06N3/0895 , G06F113/08 , G06F111/10 , G06F119/02
Abstract: 本发明属于智能流体力学，公开了一种基于半监督学习的流场多源气动数据融合模型及训练方法。模型融合低、中、高保真气动数据；流场多源气动数据融合模型包括三层，第一层为数据输入层，第二层为两种数据融合层，第三层为三种数据融合层。训练方法包括将与高保真气动数据对应的低保真气动数据作为标签数据输入模型，得到未训练完的模型，称其为初始模型；将没有与高保真气动数据对应的低保真气动数据作为未标签数据输入初始模型，得到伪标签数据；伪标签数据和标签数据输入模型进行训练，得到完成训练的流场多源气动数据融合模型。模型及训练方法将无标签数据用于流场数据处理，解决了信息缺失问题，预测结果更准确，具有更好的泛化能力和性能。
-
公开(公告)号：CN117952037B
公开(公告)日：2024-05-28
申请号：CN202410329904.2
申请日：2024-03-22
Applicant: 中国空气动力研究与发展中心超高速空气动力研究所
IPC: G06F30/28 , G06F30/27 , G06N3/04 , G06N3/08 , G06F113/08 , G06F119/14
Abstract: 发明属于高速飞行器技术领域，具体涉及一种基于深度学习的高速飞行器气动力工程估算修正方法。建立速飞行器的三维模型，绘制面网格和体网格；划分高速飞行器的不同部位的迎风面、背风面；基于面网格，通过工程估算方法，获得初步估算气动力系数；基于体网格，通过计算仿真CFD，获得最终估算气动力系数；通过三维符号距离场对高速飞行器进行统一描述，得到高速飞行器的外形描述矩阵；搭建神经网络模型，进行神经网络模型训练，获得修正后的气动力系数；高速飞行器气动力工程估算修正方法，通过建立神经网络模型，对高速飞行器气动力的工程估算结果进行修正，使工程估算结果更接近计算仿真结果，解决了工程估算公式选择困难的问题。
-
Patent Agency Ranking
公开(公告)号：CN114018528B
公开(公告)日：2023-06-09
申请号：CN202111316807.2
申请日：2021-11-09
Applicant: 中国空气动力研究与发展中心超高速空气动力研究所
Abstract: 本发明公开了一种壁面温度对通气飞行器气动特性影响的风洞试验研究方法。该风洞研究方法，在高超声速风洞依次开展通气模型固定攻角长时间测温试验、测压试验和测力试验，综合分析壁面温度对通气模型气动特性的影响，将试验结果拓展应用于飞行器气动性能评估工作。
-
公开(公告)号：CN119443169B
公开(公告)日：2025-03-18
申请号：CN202510028613.4
申请日：2025-01-08
Applicant: 中国空气动力研究与发展中心超高速空气动力研究所
IPC: G06N3/0499 , G06F30/27 , G06F30/28 , G06F111/08 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种AUSM类通量计算格式的神经网络端到端加速方法，涉及流体力学计算领域，包括：S1、基于前馈神经网络实现端到端的输入输出映射，以建立神经网络代理模型；S2、采用S1的神经网络代理模型替换流体力学计算过程中的AUSM类通量计算格式；其中，所述神经网络代理模型的输入数据为：亚声速、跨声速、超声速、高超声速任一种风洞试验工况下无量纲化后的物理量；在神经网络代理模型的建立过程中，通过对计算密集区域进行局部加密的方式对Sobol序列采样方法进行优化。本发明提供一种AUSM类通量计算格式的神经网络端到端加速方法，通过引入神经网络代理模型，使得需要6个步骤进行计算的通量可以通过输入条件一步直接得到结果，显著减少计算量。
-
公开(公告)号：CN119476362A
公开(公告)日：2025-02-18
申请号：CN202510061920.2
申请日：2025-01-15
Applicant: 中国空气动力研究与发展中心超高速空气动力研究所
Abstract: 本发明公开了一种基于Kolmogorov‑Arnold网络的信号延拓方法，包括：步骤1：选取采样信号的部分数据作为训练集，对其进行傅里叶变换得到奇函数和偶函数，依据Kolmogorov‑Arnold定理构建网络模型；步骤2：在模型中，配置具有奇对称性以及偶对称性的函数分别作为激活函数，形成奇网络、偶网络；步骤3：数据会相应地进入奇网络或偶网络，进而进行学习和延拓，以获得该信号数据的完整信号形态。本发明提供一种基于Kolmogorov‑Arnold网络的信号延拓方法，通过优化Kolmogorov‑Arnold网络的激活函数配置，提升模型处理具有奇偶特性的数据时的延拓能力；通过对非奇非偶数据进行的分解学习与重组策略，对流体力学和航空航天中随机信号和不规则波形在内的广泛数据其进行有效延拓。
-
公开(公告)号：CN119150708A
公开(公告)日：2024-12-17
申请号：CN202411645942.5
申请日：2024-11-18
Applicant: 中国空气动力研究与发展中心超高速空气动力研究所
Abstract: 本发明公开了一种解决多保真数据融合刚性问题的迁移学习方法，以解决模型训练中存在的刚性问题，该方法通过将多保真建模方法中的低保真数据作为可训练的参数以设计的迁移路径进行约束建立中间域，解决了分块式网络框架处理多源数据融合过程中因高低保真数据量存在明显差异而产生的刚性现象。将原有迁移任务划分为多段式迁移过程，通过建立多个中间域约束模型迁移路径。该路径使得模型迁移损失处于极小值，模型参数更新过程中一直处于稳定状态，并且，通过中间域的建立，增加了参与迁移模块参数更新的数据，使得模型能够捕获更多的数据特征。
-
公开(公告)号：CN118734893A
公开(公告)日：2024-10-01
申请号：CN202410812423.7
申请日：2024-06-21
Applicant: 中国空气动力研究与发展中心超高速空气动力研究所
Abstract: 本发明实施例涉及神经算子网络技术领域，特别涉及一种基于多步式深度神经算子网络的偏微分方程求解方法。包括：获取偏微分方程的目标变量函数和目标自变量；将目标变量函数和目标自变量输入至预先训练好的预测模型；预测模型基于多步式深度神经算子网络训练得到，多步式深度神经算子网络包括基于DeepONet的第一映射模块、间接映射模块和驱动模块，第一映射模块用于对偏微分方程的解进行初始映射，间接映射模块用于基于初始映射结果，对偏微分方程的解进行二次映射；输出偏微分方程的预测解。本方案的间接映射可以充分利用变量函数与自变量间的相关信息，并增强解与映射网络的特征联系，以优化网络寻优路径、提升模型的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.062 seconds)
