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

说明书

本发明公开了一种融合CNN和Swin Transformer网络的翼型优化方法，具体步骤如下：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；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；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；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；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；进行迭代计算，网络预测流场与真实流场值进行对比，直到达到最大训练步长；利用训练好的最优模型获取相应翼型的流场图像；通过系列翼型的流场特征对比，确定翼型优化方向。

技术领域

本发明属于翼型优化技术领域，特别涉及一种融合CNN和Swin Transformer网络的翼型优化方法。

背景技术

工业上的飞机设计过程是一个复杂的过程，翼型优化设计一定程度决定其整体气动性能；而流场则直观反映其整体气动性能，故流场通常在翼型设计和优化中被考虑。

翼型优化设计通常需要利用计算流体力学来进行数值模拟仿真，但由于翼型外形的设计空间往往具有高维度的特征，该过程通常会耗费较大的计算时间。为了解决此问题，相关学者对设计空间进行降维处理，例如，传统的方法通过构造低维度的参数方程，进而替换为对相关参数进行优化；常见的有响应面模型、克里格模型等被广泛使用。然而这些方式仅限于获取气动参数，在优化约束条件下，以获取最大的升阻比为优化目的。但由此也带来了一定问题，仅以气动参数来评估翼型优化是不完整的，它丢弃了流场中详细气动特征，这种优化方式更多依赖于经验而不是严格的理论，进而对于翼型优化来说也是片面的。现代空气动力学理论已经建立起流场结构和气动力之间的严格关系，有经验的研究者们可通过观察流场来决定翼型优化的方向，因此这种基于流场可视化的优化方法能大幅降低传统方法的试错成本，快速获取符合目标的优化翼型。本申请将传统流场预测任务转变为计算机视觉，如何高效准确地直接获取流场特征成为了研究重点。

发明内容

本发明要解决的技术问题在于提供一种融合CNN和Swin Transformer网络的翼型优化方法，该优化方法以翼型外型参数化控制点作为输入标签，快速输出相应的流场图像，通过获取系列翼型流场特征的变化，实现指导翼型优化，在获得高精度、高准确率的同时极大降低运算过程的时间量级。

为了解决上述技术问题，本发明通过以下方式来实现：

一种融合CNN和Swin Transformer网络的翼型优化方法，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。

其中，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：