企业官网建设流程全解析

那些公司做网站好,steam怎么注册域名,如何开发手机版网站,查询网站外链基于生成对抗网络的通航飞行器气动布局设计方法 余囿铮#xff0c;寇家庆∗#xff0c;张伟伟 引用格式#xff1a; 余囿铮 寇家庆 张伟伟. 基于生成对抗网络的通航飞行器气动布局设计方法[J]. 航空学报, doi: 10.7527/S1000-6893.2025.32518. 摘要 气动布局是决定飞行器性…基于生成对抗网络的通航飞行器气动布局设计方法余囿铮寇家庆∗张伟伟引用格式 余囿铮 寇家庆 张伟伟. 基于生成对抗网络的通航飞行器气动布局设计方法[J]. 航空学报, doi: 10.7527/S1000-6893.2025.32518.摘要气动布局是决定飞行器性能的核心关键。传统飞行器气动布局设计以专家知识为主导导致人为经验依赖强、方案多样性受限、创新布局突破难。生成式人工智能建立了“工程需求—设计方案”的全新端到端设计范式为突破上述局限性建立了方法基础。以通航飞行器为对象研究利用生成对抗网络实现了给定气动目标下的多样性气动布局高效生成验证了生成式人工智能在创新飞行器设计方面的发展潜力。一、研究背景飞行器的传统设计流程通常分为概念设计、初步设计和详细设计三个阶段。尽管概念设计仅占整个设计流程的20%-30%但能够确定飞行器的基础布局和技术方向是整个设计过程中最具战略意义的环节。然而传统气动布局设计高度依赖专家经验导致方案多样性受限布局突破创新难与此同时主流的气动优化方法主要面向布局确定后的方案微调而非创新方案的提出。因此发展一种能够主动探索、自主创造、高效响应性能需求的新型设计范式至关重要。随着机器学习的发展生成式人工智能建立了“工程需求—设计方案”的全新端到端设计范式能够实现设计方案的高效多样化生成有望突破上述瓶颈建立新的气动布局设计方法。本文基于改进的生成对抗网络提出了一种端到端的气动布局生成框架。以机翼为研究对象系统评估了多种生成式模型对高维设计参数空间的建模能力与条件生成精度并进一步拓展至小型通用航空飞行器的气动布局生成任务。提出的方法实现了面向目标气动性能的设计方案准确生成在飞行器全机的布局设计任务中展现出更高的生成质量和多样性。相较于传统流程该方法能进一步探索设计边界在复杂、多约束的生成任务中展现出高可控性与外推能力。二、研究方法图 1 CWGAN-GP模型的训练与生成过程生成对抗网络是一种基于博弈论思想的深度学习模型其核心思想是通过两个神经网络的对抗训练实现数据生成生成器Generator负责生成逼真的数据样本判别器Discriminator则负责区分生成样本与真实样本。两者在训练过程中相互竞争最终使生成器能够生成与真实数据分布高度一致的样本。而生成对抗网络往往因为训练过程中遇到梯度消失或模式崩溃的问题导致的训练困难问题。因此本研究对是否引入条件变量以及在该框架下不同改进生成对抗网络的生成效果做了系统性研究最终搭建的CWGAN-GP是一种结合了条件生成对抗网络CGAN和Wasserstein GAN with Gradient PenaltyWGAN-GP的生成模型。该模型在WGAN-GP 的基础上引入了条件变量使生成器和判别器能够根据特定的条件生成或评估样本。整体模型架构如图1所示。首先采用基于物理的参数化过程通过OpenVSP实现高效气动计算构建数据库。接着进行生成模型训练过程中引入物理先验样本包括几何参数与气动参数作为真实数据将目标气动参数与生成器围绕目标所生成的几何参数一同作为生成数据一同交给判别器进行训练。最后迭代完成可单独对生成器网络输入期望气动参数得到大量满足概念设计需求的气动布局外形。三、结果与分析1、机翼算例图2展示了机翼设计的几何参数。包含翼展、翼根弦长、翼尖弦长、上反角、后掠角、翼型最大厚度六个其中为简化参数化建模与计算翼型选用NACA四位数系列。采用拉丁超立方采样获得800组不同的外形参数计算机翼马赫数Ma0.2迎角α2°的来流条件下的升力系数CL最终将获得的数据集用于训练不同的模型。(1)机翼俯视图(2)机翼正视图图2机翼设计的变量定义本研究首先开展面向机翼的气动外形生成。因为该算例具有较少几何参数适用于模型初步测试与评估并能进一步指导多设计参数的小型通航飞行器生成式设计。本研究主要讨论了GAN、WGAN、WGAN-GP、CGAN、CWGAN、CWGAN-GP六种模型生成效果其中前三个模型未引入条件变量。不同模型的评估指标如表1所示针对未引入条件变量的模型WGAN、WGAN-GP这两种模型的生成结果对原始数据分布的拟合效果更好更适合用作生成针对目标参数进行生成式设计的设计空间针对引入条件变量的模型可以看出CGAN在生成样本的精度MSE上比CWGAN更好但其多样性评估指标MNND低于其他两个模型50%说明CGAN的生成样本过于单一而CWGAN-GP模型在精度与多样性指标下表现最好更适合用于给定目标下的生成式设计。表 1 不同模型性能评估指标为进一步可视化分析模型性能将原始样本数据和经过GAN、WGAN、WGAN-GP模型训练后的生成数据的6个特征的概率密度分布图如图3所示。如图所示WGAN、WGAN-GP模型的生成数据与原始样本数据的分布基本一致但原始GAN的生成数据分布虽然在边界数据点上与原始样本数据基本一致但具体分布差异显著。说明WGAN、WGAN-GP模型成功学习到了原始样本数据的大多数特征其生成器具有更科学完备的设计空间。图 3 不同模型特征的概率密度分布在上述模型基础上将机翼升力系数CL0.18作为条件引入模型框架将原始样本数据和经过CGAN、CWGAN、CWGAN-GP模型训练后的生成数据分布如图4所示可见CGAN在生成几何特征数据时出现了很明显的模式崩溃现象。而CWGAN、CWGAN-GP模型在条件影响后集合特征分布出现变化倾向但生成样本仍包含大多训练样本特征具备一定多样性。图4 不同条件模型特征的概率密度分布为进一步考量不同模型针对不同目标条件的生成能力研究以CL{0.14, 0.15, 0.16, 0.17, 0.18}为目标通过CGANCWGANCWGAN-GP模型针对各目标值分别生成400个不同的样本观察生成样本升力系数与目标值的差异。图5展示了不同模型针对不同目标值生成的样本预测值与真实值对比图。图5 不同模型针对不同升力系数目标值生成的样本预测值与真实值对比计算不同模型针对不同目标值生成结果的均值偏差的均值 与均方误差 的均值如表2所示可见CWGAN-GP准确度更高围绕目标值生成结果更准确。表 2 不同目标值生成结果的评估指标图6进一步展示了CWGAN、CWGAN-GP针对不同目标CL生成结果的气动参数分布并检验模型对训练样本外的CL的生成能力可见对于训练数据集外的目标CL0.21CWGAN-GP的生成数据更接近于目标值条件变量具有更强的指导作用。图 6 不同模型针对不同目标的生成结果概率密度分布图7展示了CWGAN-GP生成器对应CL{0.140.180.21}的部分生成结果可视化。可见随着目标升力系数的增大机翼展弦比增大符合常规飞机设计规律。(1) CL0.14(2) CL0.18(3) CL0.212、通航飞行器算例图8展示了小型通航飞行器基于物理的参数化几何其中主翼上反角与各翼端翼型参数未在图中表明。同样采用拉丁超立方采样获得2500组不同的外形参数并计算了每组参数在马赫数Ma0.6雷诺数Re2×106迎角α2°的来流条件下的升力系数CL、升阻比L/D。基于工程实际的考虑选用升力系数和升阻比作为检验该模型多目标生成能力的输入条件。(1) 俯视图(2) 侧视图在小型通航飞行器算例上同样做了六种模型的不同性能评估如表3所示。对于引入条件变量的模型以全机升力系数CL0.23、升阻比L/D15作为目标的生成数据进行性能评估。CWGAN-GP模型准确度指标MSE值低于其他模型的三分之一说明其针对目标生成结果更加准确多样性指标MNND值相对于其他模型提升近30%。表3 不同模型性能评估指标以全机升力系数CL0.23、升阻比L/D15作为目标将原始样本数据和经过CWGAN、CWGAN-GP模型训练后生成的28个特征数据进行对比。图9展示了其中12个主要特征的概率密度分布。可见CWGAN模型出现模式崩溃现象即模型生成的各个特征数据均呈现为围绕原始样本数据的正态分布条件变量对其生成结果没有明显影响而CWGAN-GP模型的生成结果在飞行器主翼展弦比的关键特征分布上有明显因为条件变量的变化倾向而在其他特征上保持与原有特征分布一致。图 9 不同模型部分特征的概率密度分布图10展示了以升力系数CL0.23、升阻比L/D15为目标原始样本数据经过CWGAN、CWGAN-GP模型训练后生成2500组数据对应的升力系数分布和原始样本数据对应的升力系数分布。CWGAN-GP模型的生成结果更符合目标值。(1) 生成布局对应升力系数概率密度分布(2) 生成布局对应升阻比概率密度分布图11展示了CWGAN-GP生成器在以CL0.23L/D15为目标下的典型气动布局生成结果。可见在Ma0.6的巡航状态下模型倾向于生成具有较大展弦比和较小后掠角的布局这表明模型学习到了通过降低诱导阻力来提升升阻比的设计规律。同时通过多种不同的布局方案展现其设计多样性。图11 CWGAN-GP生成结果可视化为了进一步检验模型在训练样本外的条件生成能力以升力系数CL0.25、升阻比L/D17为目标不同模型生成气动布局的性能参数分布如图12所示CWGAN-GP的生成数据更接近于目标值模型泛化性更好生成能力更强。(1) 以CL0.25为目标的生成结果概率密度分布(2) 以L/D17为目标的生成结果概率密度分布为检验模型对隐式气动特性的继承能力在该工况下筛选了2500组纵向静稳定的训练样本用来训练同样网络架构下的CWGAN-GP模型。图13计算了该模型在CL0.23L/D15目标下生成样本的俯仰力矩系数导数dCM/dα与训练样本的对比结果。可见尽管研究并为将稳定性约束引入模型但因为训练数据本身是满足纵向静稳定性约束的生成器在学习过程中也隐式地继承了这一特性。图13 生成样本的俯仰力矩系数导数分布四、结论针对飞行器概念设计阶段的气动布局生成式设计本文提出了一种基于CWGAN-GP模型的通用航空飞行器气动布局设计框架并系统研究了不同生成对抗网络在生成气动布局方面的性能。该方法能够高效实现给定气动性能条件下多样化的布局方案生成显著提升飞行器概念设计阶段的设计效率。在面向常规巡航状态的小型通航飞行器的生成式设计任务中所提方法相较于其他改进型生成对抗网络在准确性指标上提升超过3倍多样性指标提升近30%能够有效针对给定气动性能参数生成高质量结果展现出优异的泛化能力与外推性能。公众号原文链接文末附论文资源https://mp.weixin.qq.com/s/4Soe217hK4-dqUZuvaZY_Q注文章由作者原创供稿并获得作者授权发布。