[发明专利]一种融合CNN和Swin Transformer网络的翼型优化方法

权利要求书

1.一种融合CNN和Swin Transformer网络的翼型优化方法，其特征在于：具体步骤如下：

(1)通过参数化方式对翼型外型进行表征，并采用计算流体力学数值模拟方式获取真实流场解算值，构建所需的数据集；

(2)对获取的翼型外型参数和真实流场数据集进行归一化预处理；

(3)对翼型外型参数化控制点坐标进行线性编码，对特征维度进行拓充；

(4)利用双线性上采样方式将相邻维度的特征图重塑为高分辨率的特征图；

(5)利用CNN网络和Swin Transformer构建Swin Conv Transformer Block基本网络模块进行流场特征提取；

(6)进行迭代计算，网络预测流场与真实流场值进行对比，直到模型收敛或达到最大训练步长；

(7)利用训练好的模型获取相应翼型的流场图像；

(8)通过系列翼型的流场特征对比，确定翼型优化方向；

所述步骤(4)中的双线性上采样方式，具体步骤如下：

所述双线性上采样方式是一种联合双线性插值和像素打乱的混合方式，在保持特征维度不变的情况下，对特征分辨率进行2倍的扩增；双线性插值减少了插值和原始输入值间的大小差异，更详细的特征通过像素打乱操作来采样的；

所述步骤(5)中利用CNN网络和Swin Transformer构建Swin Conv Transformer Block基本网络模块进行流场特征提取，具体步骤如下：

每个基本网络模块由规范层、多头自我注意模块和Conv层组成，并在其中使用BatchNorm和Relu激活函数，多头自我注意模块包括Conv多头自我注意模块和基于Conv移位窗的多头自我注意模块，该两模块分别位于两个连续SCTB模块中；通过移位窗划分方法，连续的Swin Conv Transformer Block表述为：

其中和z^l分别表示CW-MSA模块和第l块的Conv模块的输出特征，和z^l+1分别表示CSW-MSA模块和第l+1块的Conv模块的输出特征；BN表示进行BatchNorm归一化操作，Conv表示进行卷积操作，CW-MSA表示Conv多头自我注意操作，CSW-MSA表示移位窗口的多头自我注意模块；

具体注意力机制的计算公式如下：

其中Q,K,V分别表示是查询、键和值矩阵，d表示是输入的维度，B表示偏置矩阵，Softmax表示一种激活函数。

2.如权利要求1所述的一种融合CNN和Swin Transformer网络的翼型优化方法，其特征在于：

所述步骤(1)中通过参数化的方式对翼型外型进行表征，采用计算流体力学数值模拟方式获取真实流场解算值，构建所需的数据集，具体包括以下步骤：

(11)给定控制参数为NURBS曲线控制点坐标，采用拉丁超立方采样方法生成一系列翼型外型控制点坐标；

(12)利用步骤(11)中相应的控制点坐标参数生成翼型B样条曲线；

(13)使用网格生成软件划分翼型外流场结构网格；

(14)建立Navier-Stocks方程模型，导入网格对翼型真实流场进行求解，并得到真实流场数据集。

3.如权利要求1所述的一种融合CNN和Swin Transformer网络的翼型优化方法，其特征在于：

所述步骤(2)中对获取的数据集进行预处理，具体包括以下步骤：

(21)对每一个翼型外型参数及解算的真实流场数据集进行归一化处理，具体归一化方式如公式(1)所示：

其中，X表示归一化后的数值，x表示数据集原始数值，x_min表示数据集中最小值，x_max表示数据集中最大值；

(22)将步骤(21)中归一化处理的数据集进行切割划分为80％的训练集以及20％的测试集，测试集用来验证最终的模型预测效果。

4.如权利要求1所述的一种融合CNN和Swin Transformer网络的翼型优化方法，其特征在于：

所述步骤(6)中进行迭代计算，网络预测流场与真实流场值进行对比，直到模型收敛或达到最大训练步长，具体步骤如下：

模型训练过程中，使用Adam作为优化器，通过Batch Norm的方式进行归一化操作，激活函数设定为Relu，损失函数为MSE进行具体的模型训练，同时训练过程中批处理参数batchsize设置为40，最大训练步长为1000，保存训练过程中最佳模型，最终网络通过CNN层对流场图像进行输出。