数据驱动的超临界翼型演化生成式设计方法及系统

1.本发明涉及翼型优化设计技术领域，尤其是涉及一种数据驱动的超临界翼型演化生成式设计方法及系统。


背景技术：

2.传统设计过程中，气动优化技术有诸多分类，但不管是何种优化，为了保证优化设计结果的性能优异以及更好的鲁棒性，往往需要多设计点多目标优化，由此造成的计算量骤增往往在工程实践中是不能接受的。因此，目前气动优化设计中亟待解决的核心难题在于如何建立气动非线性系统的输入与输出之间的映射关系，减少计算流体力学(cfd)计算量，提高优化设计效率。
3.现有常用的超临界翼型优化设计方法有反设计法和基于代理模型的优化设计方法等。反设计法是根据给定符合设计要求的目标压力分布，选择初始基础翼型，通过加入几何扰动获得的翼型，来计算新的压力分布，通过最优化技术最小化新翼型的压力分布与目标压力分布之差，从而优化翼型；如此反复迭代，直到得到的翼型压力分布与目标压力分布的差值最小，收敛于给定的目标压力分布，得到最后的翼型设计方案。然而，该方法的缺陷是需要设计者提供目标压力分布，并且设计过程是比较依赖专家经验。基于代理模型的优化设计方法，根据已有的翼型数据构建代理模型，然后在优化过程中使用加点准则来持续更新代理模型，直到得到满足要求的翼型设计方案。然而，该方法的不足之处在于需要大量的迭代次数，每一次迭代所生成的候选翼型需要真实的评估，因此其优化设计过程非常耗时，而且该方法不能完全保证翼型的平滑性。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种数据驱动的超临界翼型演化生成式设计方法、系统、设备及介质，能够在不依赖专家经验的前提下，通过神经网络模型与演化计算的模型架构来进行超临界翼型的自动化优化设计，有效缩短设计周期，降低研发成本，显著提升超临界翼型设计的效率和质量，保证了翼型的光顺性等几何约束。
5.第一方面，本发明的实施例提供了一种数据驱动的超临界翼型演化生成式设计方法，包括：
6.获取多个翼型，并得到每个所述翼型的翼型坐标点；
7.将每个所述翼型的翼型坐标点拟合得到每个所述翼型的控制点坐标；
8.通过所有所述翼型的控制点坐标训练得到一组架构相同但参数不同的生成器；
9.根据所有所述翼型的控制点坐标以及所述控制点坐标对应的翼型性能指标，构建得到性能预测器；
10.将待优化翼型、所述生成器和所述性能预测器通过演化算法计算得到超临界翼型。
11.根据本发明实施例的方法，至少具有如下有益效果：
12.通过多个翼型的翼型坐标点拟合得到多个翼型的控制点坐标，进行了数据集的预处理，提高了后续生成器和性能预测器的泛化能力和准确度；通过所有翼型的控制点坐标训练得到一组架构相同但参数不同的生成器，减少大量cfd计算过程，有效缩短设计周期；根据所有翼型的控制点坐标以及控制点坐标对应的翼型性能指标，构建得到性能预测器，提高翼型优化设计的自动化程度，并且可以保证翼型的光顺性等几何约束，显著提升超临界翼型设计的效率和质量；将待优化翼型、生成器和性能预测器通过演化算法计算得到超临界翼型，能够适用的翼型宽泛，有较强的泛化性。
13.根据本发明的一些实施例，所述将每个所述翼型的翼型坐标点拟合得到每个所述翼型的控制点坐标，包括：将每个所述翼型的翼型坐标点进行非均匀有理b样条曲线参数化拟合，得到每个所述翼型的控制点坐标。
14.根据本发明的一些实施例，通过所有所述翼型的控制点坐标训练得到一组架构相同但参数不同的生成器，包括：
15.通过所有所述翼型的控制点坐标对所述生成器和对应的判别器进行交替训练，调整所述生成器和所述判别器的参数直至所述生成器和所述判别器达到期望阈值。
16.根据本发明的一些实施例，所述通过所有所述翼型的控制点坐标对所述生成器和对应的判别器进行交替训练，调整所述生成器和所述判别器的参数直至所述生成器和所述判别器达到期望阈值，包括：
17.固定所述判别器，通过所有所述翼型的控制点坐标训练所述生成器，并调整所述生成器的参数直至所述生成器的目标函数中的期望达到最小阈值；
18.固定所述生成器，通过所有所述翼型的控制点坐标训练所述判别器，并调整所述判别器的参数直至所述判别器的所述目标函数达到最大阈值。
19.根据本发明的一些实施例，所述目标函数的计算公式，包括：
[0020][0021]
其中，x表示输入的数据，z表示服从数据分布的噪声，g表示生成器，d表示判别器，表示数学期望，p
data
表示输入数据的分布。
[0022]
根据本发明的一些实施例，所述根据所有所述翼型的控制点坐标以及所述控制点坐标对应的翼型性能指标，构建得到性能预测器，包括：
[0023]
将所有所述翼型的控制点坐标以及所述控制点坐标对应的翼型性能指标通过多层感知机进行神经网络建模，得到三层神经网络模型；所述三层神经网络模型的输入为所述翼型的控制点坐标，所述三层神经网络模型的输出为所述控制点坐标对应的翼型性能指标；
[0024]
通过均方损失函数监督训练所述三层神经网络模型，得到所述性能预测器。
[0025]
根据本发明的一些实施例，所述将待优化翼型、所述生成器和所述性能预测器通过演化算法计算得到超临界翼型，包括：
[0026]
将所述待优化翼型的翼型坐标点拟合，得到所述待优化翼型的控制点坐标；
[0027]
将所述待优化翼型的控制点坐标输入所述生成器，得到初始优化翼型；
[0028]
将所述初始优化翼型输入所述性能预测器，并设置性能阈值监督；若所述初始优化翼型未达到所述性能阈值，将所述初始优化翼型通过所述生成器重新优化，直至得到满
足所述性能阈值的所述超临界翼型。
[0029]
第二方面，本发明的实施例提供了一种数据驱动的超临界翼型演化生成式设计系统，所述数据驱动的超临界翼型演化生成式设计系统包括：
[0030]
翼型获取模块，用于获取多个翼型，并得到每个所述翼型的翼型坐标点；
[0031]
翼型坐标点拟合模块，用于将每个所述翼型的翼型坐标点拟合得到每个所述翼型的控制点坐标；
[0032]
生成器构建模块，用于通过所有所述翼型的控制点坐标训练得到一组架构相同但参数不同的生成器；
[0033]
性能预测器构建模块，用于根据所有所述翼型的控制点坐标以及所述控制点坐标对应的翼型性能指标，构建得到性能预测器；
[0034]
翼型优化模块，用于将待优化翼型、所述生成器和所述性能预测器通过演化算法计算得到超临界翼型。
[0035]
第三方面，本发明的实施例提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如第一方面所述的数据驱动的超临界翼型演化生成式设计方法。
[0036]
第四方面，本发明的实施例提供了一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的数据驱动的超临界翼型演化生成式设计方法。
[0037]
需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与第一方面的数据驱动的超临界翼型演化生成式设计方法的有益效果相同，此处不再细述。
[0038]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
[0039]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0040]
图1是本发明一实施例提供的一种数据驱动的超临界翼型演化生成式设计方法的流程图；
[0041]
图2是本发明一实施例提供的通过所有翼型的控制点坐标训练得到一组架构相同但参数不同的生成器的流程图；
[0042]
图3是本发明一实施例提供的如何调整生成器和判别器的参数直至生成器和判别器达到期望阈值的流程图；
[0043]
图4是本发明一实施例提供的根据所有翼型的控制点坐标以及控制点坐标对应的翼型性能指标构建得到性能预测器的流程图；
[0044]
图5是本发明一实施例提供的将待优化翼型、生成器和性能预测器通过演化算法计算得到超临界翼型的流程图；
[0045]
图6是本发明一实施例提供的一种数据驱动的超临界翼型演化生成式设计系统的结构图；
[0046]
图7是本发明一实施例提供的一种电子设备的结构图；
[0047]
图8是本发明一实施例提供的一种数据驱动的超临界翼型演化生成式设计方法的示意图；
[0048]
图9是本发明一实施例提供的翼型数据预处理的示意图；
[0049]
图10是本发明一实施例提供的性能预测器的结构图；
[0050]
图11是本发明一实施例提供的生成器的模型结构图。
具体实施方式
[0051]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0052]
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0053]
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0054]
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0055]
下面将结合附图对本发明的技术方案进行清楚、完整的描述，显然，以下所描述的实施例是本发明一部分实施例，并非全部实施例。
[0056]
参照图1，在本发明的一些实施例中，提供了一种数据驱动的超临界翼型演化生成式设计方法，包括：
[0057]
步骤s100、获取多个翼型，并得到每个翼型的翼型坐标点。
[0058]
步骤s200、将每个翼型的翼型坐标点拟合得到每个翼型的控制点坐标。
[0059]
步骤s300、通过所有翼型的控制点坐标训练得到一组架构相同但参数不同的生成器。
[0060]
步骤s400、根据所有翼型的控制点坐标以及控制点坐标对应的翼型性能指标，构建得到性能预测器。
[0061]
步骤s500、将待优化翼型、生成器和性能预测器通过演化算法计算得到超临界翼型。
[0062]
本实施例通过将多个翼型的翼型坐标点拟合得到多个翼型的控制点坐标，进行了数据集的预处理，提高了后续生成器和性能预测器的泛化能力和准确度通过所有翼型的控制点坐标训练得到一组架构相同但参数不同的生成器，减少大量cfd计算过程，有效缩短设计周期；根据所有翼型的控制点坐标以及控制点坐标对应的翼型性能指标，构建得到性能预测器，提高翼型优化设计的自动化程度，并且可以保证翼型的光顺性等几何约束，显著提升超临界翼型设计的效率和质量；将待优化翼型、生成器和性能预测器通过演化算法计算
得到超临界翼型，能够适用的翼型宽泛，有较强的泛化性。
[0063]
在本发明的一些实施例中，将每个翼型的翼型坐标点拟合得到每个翼型的控制点坐标，包括：将每个翼型的翼型坐标点进行非均匀有理b样条曲线参数化拟合，得到每个翼型的控制点坐标。
[0064]
需要说明的是，nurbs曲线(即非均匀有理b样条曲线)曲面曲是一类参数方程的曲线曲面。nurbs曲线曲面不存在于传统的曲图曲法中，是为计算机三为造型为生的。nurbs用于计算的用因是nurbs易于计算机处理，易于易易控制点的制制并有制制功能，而且能表示而种曲线曲面。
[0065]
通过进行非均匀有理b样条曲线参数化拟合，得到每个翼型的控制点坐标，能够便于计算机计算处理，易于易易控制点的制制并有制制功能。
[0066]
参照图2，在本发明的一些实施例中，通过所有翼型的控制点坐标训练得到一组架构相同但参数不同的生成器，包括：
[0067]
步骤s310、通过所有翼型的控制点坐标对生成器和对应的判别器进行交替训练，调整生成器和判别器的参数直至生成器和判别器达到期望阈值。
[0068]
需要说明的是，该过程是一个相互博弈的过程，直到判别器d无法判断输入的翼型是由生成器生成的还是真实的，即最后判别器输出概率为0.5时，停止训练。即最终判别器无法判断翼型是真实数据还是由生成器生成时，生成器训练完成。
[0069]
通过对生成器和对应的判别器进行交替训练，可实现优化设计与约束一体化，提高翼型优化设计的自动化程度，有效缩短设计周期、减少大量cfd计算过程、降低研发成本；同时适用翼型宽泛，有较强的泛化性，从超临界翼型出发，可基于多种翼型进行优化设计。
[0070]
参照图3，在本发明的一些实施例中，通过所有翼型的控制点坐标对生成器和对应的判别器进行交替训练，调整生成器和判别器的参数直至生成器和判别器达到期望阈值，包括：
[0071]
步骤s311、固定判别器，通过所有翼型的控制点坐标训练生成器，并调整生成器的参数直至生成器的目标函数中的期望达到最小阈值。
[0072]
步骤s312、固定生成器，通过所有翼型的控制点坐标训练判别器，并调整判别器的参数直至判别器的目标函数达到最大阈值。
[0073]
通过目标函数的期望约束，使交替训练中的生成器和判别器都需要达到收敛条件才停止训练，可以保证翼型的光顺性等几何约束，显著提升超临界翼型设计的质量。
[0074]
在本发明的一些实施例中，目标函数的计算公式，包括：
[0075][0076]
其中，x表示输入的数据，z表示服从数据分布的噪声，g表示生成器，d表示判别器，表示数学期望，p
data
表示输入数据的分布。
[0077]
通过目标函数的计算约束，可以得到性能更优的生成器，提高翼型优化设计的质量，保证翼型的光顺性等几何约束。
[0078]
参照图4，在本发明的一些实施例中，根据所有翼型的控制点坐标以及控制点坐标对应的翼型性能指标，构建得到性能预测器，包括：
[0079]
步骤s401、将所有翼型的控制点坐标以及控制点坐标对应的翼型性能指标通过多层感知机进行神经网络建模，得到三层神经网络模型；三层神经网络模型的输入为翼型的
控制点坐标，三层神经网络模型的输出为控制点坐标对应的翼型性能指标。
[0080]
步骤s402、通过均方损失函数监督训练三层神经网络模型，得到性能预测器。
[0081]
需要说明的是，性能预测器是基于多层感知机(mlp)进行构建的，mlp输入数据为nurbs控制点，输出为对应翼型的性能指标，相应的损失函数为均方损失函数；整体模型结构为三层神经网络模型，每层神经网络都有一定数量的全连接节点，并且每层神经网络均有自己的神经网络权重，最终输出为翼型的性能指标。
[0082]
通过多层感知机进行神经网络建模，得到三层神经网络模型，并通过均方损失函数监督训练三层神经网络模型，得到性能预测器，对生成的翼型加以约束条件并以性能评价为标准自动筛选出性能更优异的翼型，保证了后续得到的超临界翼型性能优异、符合约束。
[0083]
参照图5，在本发明的一些实施例中，将待优化翼型、生成器和性能预测器通过演化算法计算得到超临界翼型，包括：
[0084]
步骤s501、将待优化翼型的翼型坐标点拟合，得到待优化翼型的控制点坐标。
[0085]
步骤s502、将待优化翼型的控制点坐标输入生成器，得到初始优化翼型。
[0086]
步骤s503、将初始优化翼型输入性能预测器，并设置性能阈值监督；若初始优化翼型未达到性能阈值，将初始优化翼型通过生成器重新优化，直至得到满足性能阈值的超临界翼型。
[0087]
通过将待优化翼型迭代输入到生成器中，不断优化，最终得到性能优异、符合约束的超临界翼型，实现优化设计与约束一体化，提高翼型优化设计的自动化程度，并且可以保证翼型的光顺性等几何约束，显著提升超临界翼型设计的效率和质量。
[0088]
参照图8，为了方便本领域技术人员理解，本发明的一个具体实施例，提供了一种数据驱动的超临界翼型演化生成式设计方法，包括：
[0089]
第一步、数据预处理。
[0090]
作为一种以数据驱动建立的模型，数据集质量的好坏决定了性能预测器及生成模型的泛化能力及准确度，因此本实施例采用真实超临界翼型及变形得出的五百个翼型以及其对应的抖振升力系数等性能指标进行建模。因此，参照图9，通过对翼型坐标点进行非均匀有理b样条曲线(nurbs)参数化拟合得到控制点坐标。
[0091]
第二步、生成对抗网络模型的构建与训练。
[0092]
通过训练数据为翼型的nurbs控制点坐标进行生成对抗网络模型的训练，最终得到一组相同架构但不同参数的生成器。具体而言交替训练生成器和判别器，其目标函数如下：
[0093][0094]
其中，x表示输入的数据，z表示服从数据分布的噪声，g表示生成器，d表示判别器，表示数学期望，p
data
表示输入数据的分布。
[0095]
在生成对抗网络训练过程中，固定判别器，通过训练生成器调整其参数使得log(1-d(g(z))的期望最小化；固定生成器，通过训练判别器调整其参数使得整体目标函数最大化。该过程是一个相互博弈的过程，直到判别器无法判断输入的翼型是由生成器生成的还是真实的，即最后判别器输出概率为0.5时，停止训练。即最终判别器无法判断翼型是真实数据还是由生成器生成时，生成器训练完成。
[0096]
第三步、性能预测器的构建。
[0097]
通过处理好的翼型nurbs控制点坐标以及其对应的翼型性能指标进行神经网络建模。本发明中的性能预测器是基于多层感知机(mlp)进行构建的，mlp输入数据为nurbs控制点，输出为对应翼型的性能指标，相应的损失函数为均方损失函数；参照图10，性能预测器的整体模型结构为三层神经网络模型，每层神经网络都有一定数量的全连接节点，并且每层神经网络均有自己的神经网络权重，最终输出为翼型的性能指标。
[0098]
第四步、基于演化算法的优胜劣汰、翼型优化过程。结合训练完成的生成器及性能预测器，可得到全新的翼型及其性能评价。参照图11，对生成的翼型加以约束条件并以性能评价为标准自动筛选出性能更优异的翼型，约束条件如翼型几何外形的几何连续性等。最终将新生成的性能优异的翼型重新输入到生成器中，不断迭代，最终得到性能优异、符合约束的超临界翼型。
[0099]
参照图6，本发明的一个实施例，还提供了一种数据驱动的超临界翼型演化生成式设计系统，包括翼型获取模块1001、翼型坐标点拟合模块1002、生成器构建模块1003、性能预测器构建模块1004和翼型优化模块1005，其中：
[0100]
翼型获取模块1001，用于获取多个翼型，并得到每个翼型的翼型坐标点。
[0101]
翼型坐标点拟合模块1002，用于将每个翼型的翼型坐标点拟合得到每个翼型的控制点坐标。
[0102]
生成器构建模块1003，用于通过所有翼型的控制点坐标训练得到一组架构相同但参数不同的生成器。
[0103]
性能预测器构建模块1004，用于根据所有翼型的控制点坐标以及控制点坐标对应的翼型性能指标，构建得到性能预测器。
[0104]
翼型优化模块1005，用于将待优化翼型、生成器和性能预测器通过演化算法计算得到超临界翼型。
[0105]
需要说明的是，由于本实施例中的一种数据驱动的超临界翼型演化生成式设计系统与上述的一种数据驱动的超临界翼型演化生成式设计方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
[0106]
参考图7，本发明的另一个实施例，还提供了一种电子设备，该电子设备6000可以是任意类型的智能终端，例如曲机、平板电脑、个人计算机等。
[0107]
具体的，电子设备6000包括：一个或多个控制处理器6001和存储器6002，图7中以一个控制处理器6001与一个存储器6002为例，控制处理器6001和存储器6002可以通过总线或者其他方式连接，图7中以通过总线连接为例。
[0108]
存储器6002作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的一种电子设备对应的程序指令/模块；
[0109]
控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及模块，从而执行一种数据驱动的超临界翼型演化生成式设计方法的而种功能应用以及数据处理，即实现上述方法实施例的一种数据驱动的超临界翼型演化生成式设计方法。
[0110]
存储器6002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储一种数据驱动的超临界翼型演化
生成式设计方法的使用所创建的数据等。此外，存储器6002可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器6002可选包括相对于控制处理器6001远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0111]
在一个或者多个模块存储在存储器6002中，当被该一个或者多个控制处理器6001执行时，执行上述方法实施例中的一种数据驱动的超临界翼型演化生成式设计方法，例如执行以上描述的图1至图5的方法步骤。
[0112]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0113]
需要说明的是，由于本实施例中的一种电子设备与上述的一种数据驱动的超临界翼型演化生成式设计方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
[0114]
本发明的一个实施例，还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述实施例的数据驱动的超临界翼型演化生成式设计方法。
[0115]
需要说明的是，由于本实施例中的一种计算机可读存储介质与上述的一种数据驱动的超临界翼型演化生成式设计方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
[0116]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储数据(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的数据并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何数据递送介质。
[0117]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特
点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0118]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的用理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

技术特征：
1.一种数据驱动的超临界翼型演化生成式设计方法，其特征在于，所述数据驱动的超临界翼型演化生成式设计方法包括：获取多个翼型，并得到每个所述翼型的翼型坐标点；将每个所述翼型的翼型坐标点拟合得到每个所述翼型的控制点坐标；通过所有所述翼型的控制点坐标训练得到一组架构相同但参数不同的生成器；根据所有所述翼型的控制点坐标以及所述控制点坐标对应的翼型性能指标，构建得到性能预测器；将待优化翼型、所述生成器和所述性能预测器通过演化算法计算得到超临界翼型。2.根据权利要求1所述的数据驱动的超临界翼型演化生成式设计方法，其特征在于，所述将每个所述翼型的翼型坐标点拟合得到每个所述翼型的控制点坐标，包括：将每个所述翼型的翼型坐标点进行非均匀有理b样条曲线参数化拟合，得到每个所述翼型的控制点坐标。3.根据权利要求1所述的数据驱动的超临界翼型演化生成式设计方法，其特征在于，通过所有所述翼型的控制点坐标训练得到一组架构相同但参数不同的生成器，包括：通过所有所述翼型的控制点坐标对所述生成器和对应的判别器进行交替训练，调整所述生成器和所述判别器的参数直至所述生成器和所述判别器达到期望阈值。4.根据权利要求3所述的数据驱动的超临界翼型演化生成式设计方法，其特征在于，所述通过所有所述翼型的控制点坐标对所述生成器和对应的判别器进行交替训练，调整所述生成器和所述判别器的参数直至所述生成器和所述判别器达到期望阈值，包括：固定所述判别器，通过所有所述翼型的控制点坐标训练所述生成器，并调整所述生成器的参数直至所述生成器的目标函数中的期望达到最小阈值；固定所述生成器，通过所有所述翼型的控制点坐标训练所述判别器，并调整所述判别器的参数直至所述判别器的所述目标函数达到最大阈值。5.根据权利要求4所述的数据驱动的超临界翼型演化生成式设计方法，其特征在于，所述目标函数的计算公式，包括：其中，x表示输入的数据，z表示服从数据分布的噪声，g表示生成器，d表示判别器，表示数学期望，p
data
表示输入数据的分布。6.根据权利要求1所述的数据驱动的超临界翼型演化生成式设计方法，其特征在于，所述根据所有所述翼型的控制点坐标以及所述控制点坐标对应的翼型性能指标，构建得到性能预测器，包括：将所有所述翼型的控制点坐标以及所述控制点坐标对应的翼型性能指标通过多层感知机进行神经网络建模，得到三层神经网络模型；所述三层神经网络模型的输入为所述翼型的控制点坐标，所述三层神经网络模型的输出为所述控制点坐标对应的翼型性能指标；通过均方损失函数监督训练所述三层神经网络模型，得到所述性能预测器。7.根据权利要求1所述的数据驱动的超临界翼型演化生成式设计方法，其特征在于，所述将待优化翼型、所述生成器和所述性能预测器通过演化算法计算得到超临界翼型，包括：将所述待优化翼型的翼型坐标点拟合，得到所述待优化翼型的控制点坐标；
将所述待优化翼型的控制点坐标输入所述生成器，得到初始优化翼型；将所述初始优化翼型输入所述性能预测器，并设置性能阈值监督；若所述初始优化翼型未达到所述性能阈值，将所述初始优化翼型通过所述生成器重新优化，直至得到满足所述性能阈值的所述超临界翼型。8.一种数据驱动的超临界翼型演化生成式设计系统，其特征在于，所述数据驱动的超临界翼型演化生成式设计系统包括：翼型获取模块，用于获取多个翼型，并得到每个所述翼型的翼型坐标点；翼型坐标点拟合模块，用于将每个所述翼型的翼型坐标点拟合得到每个所述翼型的控制点坐标；生成器构建模块，用于通过所有所述翼型的控制点坐标训练得到一组架构相同但参数不同的生成器；性能预测器构建模块，用于根据所有所述翼型的控制点坐标以及所述控制点坐标对应的翼型性能指标，构建得到性能预测器；翼型优化模块，用于将待优化翼型、所述生成器和所述性能预测器通过演化算法计算得到超临界翼型。9.一种电子设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的数据驱动的超临界翼型演化生成式设计方法。10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的数据驱动的超临界翼型演化生成式设计方法。

技术总结
本发明公开了一种数据驱动的超临界翼型演化生成式设计方法及系统，其方法包括：获取多个翼型，并得到每个翼型的翼型坐标点；将每个翼型的翼型坐标点拟合得到每个翼型的控制点坐标；通过所有翼型的控制点坐标训练得到一组架构相同但参数不同的生成器；根据所有翼型的控制点坐标以及控制点坐标对应的翼型性能指标，构建得到性能预测器；将待优化翼型、生成器和性能预测器通过演化算法计算得到超临界翼型。本发明能够在不依赖专家经验的前提下，通过神经网络模型与演化计算的模型架构来进行超临界翼型的自动化优化设计，有效缩短设计周期，降低研发成本，显著提升超临界翼型设计的效率和质量，保证了翼型的光顺性等几何约束。束。束。


技术研发人员：程然 王为拓 孙克斌
受保护的技术使用者：南方科技大学
技术研发日：2023.02.09
技术公布日：2023/7/13