买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于混合神经网络的翼型流场预测方法，包括以下步骤：数据集制备、从入口边界条件开始，在变化范围内划分出目标算例库，进行CFD仿真得到对应的流场数据，进行预处理后得到数据集；基于图神经网络和循环神经网络搭建混合神经网络，模型输入为翼型速度场和密度场，输出下一时间步的速度场和密度场增量及压力场的真值，基于数据集训练模型并根据损失函数保存最优模型；使用需求的翼型速度场、压力场和密度场对模型进行测试，预测对应翼型的流场。本发明能快速准确地预测翼型流场，其预测结果与CFD仿真结果高度相符，为翼型设计提供有力指导；具备广泛适用性，用于各种CFD问题的快速流场预测。

主权项：1.基于混合神经网络的翼型流场预测方法，其特征在于：包括以下步骤：S1：基于翼型几何描述及入口边界条件依次构建流场结构数据集；S2：基于图神经网络模块GN和循环神经网络模块GRU搭建混合神经网络，并训练模型；S3：使用训练好的模型进行流场预测；所述步骤S1中构建流场结构数据集具体分步骤如下：S11、翼型水平放置，改变计算域边界入口处速度的大小及方向，精确控制翼型雷诺数和攻角在一定范围内，在选取的雷诺数和攻角范围内使用均匀采样方法抽样出一定数量的雷诺数和攻角组合，并基于此组合计算得到入口处的速度，形成翼型算例库；S12、在翼型算例库的基础上，进行网格划分、CFD解算后得到翼型的流场数据库；S13、对网格节点类型及节点处的四层通道进行采样得到流场结构数据库，使用特殊值标识网格节点类型，四层通道分别表示压力场P、速度场X、Y和密度场D；所述步骤S2的具体分步骤如下：S21、首先从流场结构数据集中提取相邻3个时刻的原始流场结构数据，并重新组织数据得到网格的图表示；然后使用图神经网络模块GN分阶段提取节点特征，以控制模型的计算量；最终使用多层循环神经网络模块进行时序预测，并利用一个多层感知机进行通道分离，输出对应翼型的速度场X、Y、密度场D增量和压力场P真值；S22、使用第二范数作为损失函数，再利用Adam优化算法对模型进行迭代优化，使用停滞期下降的学习率衰减策略，学习率下降到阈值后根据损失函数保存最优模型；所述图神经网络模块包括encoder模块、特征提取模块、decoder模块及跳跃连接，encoder模块和decoder模块为两个多层感知机，经过预处理将给定的网格节点n和网格边编码e，进行最大最小归一化处理，并通过encoder模块映射到高维节点特征向量v和边特征向量u，其表达式如下：n＝Normnode_type，vx，vy，p1e＝Norm|poss,posr|，poss,posr2v＝MLPevn3u＝MLPeee4其中，poss和posr分别表示网格边编码e的起点和终点；特征提取模块由多个GNBlock依次相连而成，其中GNBlock包括两个使用ReLU激活函数的多层感知机，将节点特征向量v和边特征向量u重塑为隐藏特征维度H，使用GNBlock对高维节点特征向量v进行特征提取，对于给定的边特征向量u基于邻接端点更新特征，其表达式如下：ui+1＝LayerNormMLPeui，vs，vr5其中，LayerNorm表示层归一化，vs，vr分别表示起始端点和终止端点的向量表示，i表示在第几个GNBlock；在每个网格节点计算高维向量v的消息传递，其表达式如下： 其中，Concat表示向量的拼接；使用单独的多层感知机更新节点特征并执行层归一化，表达式如下：vi+1＝LayerNormMLPvMessagevi，vi7重复n个GNBlock，直到vn到达目标感受野；随后引入跳跃连接并使用decoder模块进行特征降维，激活层为ReLU，得到保留关键信息的高维节点特征表达式如下： 将相邻3个时刻的节点特征组合成一个时间序列并作为首个循环神经网络模块GRU的输入，所述单个循环神经网络模块的流程描述如下： 其中，Wr，Wz，Wh表示重置门、更新门和候选门权重矩阵，br，bz，bh表示重置门、更新门和候选门偏置，rt和Zt表示重置门和更新门比例因子向量，ht表示单个GRU模块隐状态，表示候选隐状态；将首个循环神经网络模块的输出[h1，h2，h3]视为全新的时间序列，并作为第二个循环神经网络模块的输入，重复此步骤n次，最后使用一个四层的多层感知机进行通道分离，表达式如下：flow＝MLPh313其中，flow表示预测的速度场X，Y、密度场D增量和压力场P真值。

全文数据：

权利要求：

百度查询： 四川大学 基于混合神经网络的翼型流场预测方法