(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211228299.7 (22)申请日 2022.10.09 (71)申请人 西北工业大 学 地址 710000 陕西省西安市友谊西路127号 (72)发明人 李春娜　贾续毅　龚春林　季稳　 方远　 (74)专利代理 机构 陕西科亿云知识产权代理事 务所(普通 合伙) 6128 8 专利代理师 翟小梅 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06F 113/08(2020.01) G06F 119/02(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于超分辨率重构的翼型流场快速预 测方法 (57)摘要 提供一种基于超分辨率重构的翼型流场快 速预测方法,属于流体力学和人工智能技术领 域,包括生成翼型样本数据集； 对原始流场数据 处理获得高、 低分辨率流场数据； 使用 深度神经 网络建立从工况和外形参数到低分辨率流场数 据的预测模 型； 使用超深超分辨率神经网络建立 从低分辨率流场数据到高分辨率流场数据的预 测模型； 串接两个模型搭建流场预测模型； 将搭 建好的模型用于翼型流场的快速预测。 本发明基 于超分辨率重构技术， 结合深度神经网络， 可很 好的学习到流场特征， 实现对流场的快速、 精确 预测， 减小流场计算耗时。 本发明在流场数据处 理中， 先将流场数据从气动计算域映射到学习 域， 对数据梯度较大处进行插值处理， 提高建模 精度， 降低流场预测误差 。 权利要求书2页 说明书4页 附图3页 CN 115455841 A 2022.12.09 CN 115455841 A 1.一种基于超分辨 率重构的翼型流场快速预测方法， 其特 征在于， 包括以下步骤： 步骤1)： 生成变工况变外形的翼型样本数据集； 具体步骤如下： 步骤1‑1)： 选择某类翼型， 确定翼型的外形参数设计空间和计算工况设计空间， 使用拉 丁超立方采样获得一系列翼型样本； 步骤1‑2)： 生成翼型的气动计算网格； 步骤1‑3)： 对步骤1 ‑1)中得到的翼型样本进行CFD仿真模拟计算， 得到翼型样本的原始 流场数据； 步骤2)： 对步骤1 ‑3)中的原始流场数据进行域的映射、 数据插值、 下采样处理获得高、 低分辨率流场数据； 具体步骤如下： 步骤2‑1)： 步骤1 ‑3)中的原始流场数据与步骤1 ‑2)中的网格尺寸一致， 为210 ×150， 将 原始流场数据从气动计算 域映射到学习域， 表征为210 ×150的正交均匀分布的像素图片； 步骤2‑2)： 对步骤2 ‑1)进行域映射后的流场数据梯度变化大的区域进行插值处理， 得 到315×150的像素图片， 作为高分辨 流场数据； 步骤2‑3)： 下采样的缩放因子为5， 对步骤2 ‑2)中的高分辨流场数据下采样获得低分辨 率流场数据， 其大小为6 3×30； 步骤3)： 使用深度神经网络DNN建立从步骤1 ‑1)中的工况和外形参数到步骤2)中的低 分辨率流场数据的预测模型； 步骤4)： 使用超深超分辨率神经网络VDSR建立从步骤2)中的低分辨率流场数据到步骤 2)中的高分辨 率流场数据的预测模型； 步骤5)： 把步骤3)中 的DNN和步骤4)中 的VDSR串接为DNN ‑VDSR模型， 完成外形及工况参 数到高分辨 率流场数据的建模； 步骤6)： 将步骤5)中的DNN ‑VDSR模型用于外形和工况发生改变的翼型的定常流场快速 预测； 具体步骤如下： 步骤6‑1)： 给定新翼型的外形参数和几何参数， 使用步骤1 ‑2)中气动计算网格的RB F网 格变形技术获得新翼型的网格， 大小为210 ×150； 步骤6‑2)： 将步骤6 ‑1)中外形和几何参数作为步骤5)中训练好 的DNN‑VDSR的输入， 预 测得到高分辨 率流场数据， 大小为315 ×150； 步骤6‑3)： 对步骤6 ‑2)中预测的高分辨率流场数据进行反向插值获得大小为210 × 150， 并将该 数据映射到步骤6 ‑1)中的网格上， 得到预测的流场数据。 2.根据权利要求1所述的一种基于超分辨率重构的翼型流场快速预测方法， 其特征在 于： 上述步骤1 ‑1)中， 所述某类翼型为椭圆翼型， 总样本个数为500， 其中90％用于训练， 10％用于测试； 所述外形参数为椭圆翼型的弯度和厚度， 所述厚度的计算工况为攻角和马 赫数， 弯度取值范围为0～0.03c， 厚度取值范围为0.13c～0.19c， 攻角取值范围为1～4 °， 马 赫数取值范围为0.15～0.45 。 3.根据权利要求1所述的一种基于超分辨率重构的翼型流场快速预测方法， 其特征在 于： 上述步骤1 ‑2)中， 所述气动计算网格为O型网格， 网格尺 寸周向×径向为210 ×150， 附面 层第一层高度为8 ×10‑6c， 首先对其中任意一个翼型划分O型网格作为基准网格， 其余翼型 的网格使用RBF网格 变形技术基于该基准网格获得， 所有网格尺寸均为210 ×150。 4.根据权利要求1所述的一种基于超分辨率重构的翼型流场快速预测方法， 其特征在权　利　要　求　书 1/2 页 2 CN 115455841 A 2于： 上述步骤1‑3)中， 所述CFD计算模型采用S ST k‑omega湍流模型。 5.根据权利要求1所述的一种基于超分辨率重构的翼型流场快速预测方法， 其特征在 于： 上述步骤3)中， 将步骤1 ‑1)中的外形参数和几何参数共计4个参数作为深度神经网络 DNN的输入， 步骤2 ‑3)中的低分辨率流场数据分为30个区， 每个区维度为60， 作为DNN的输 出， 共计建立3 0组DNN模型。 6.根据权利要求1所述的一种基于超分辨率重构的翼型流场快速预测方法， 其特征在 于： 上述步骤4)中， 将步骤2 ‑3)中的低 分辨流场数据作为超深超分辨率神经网络VDSR的输 入， 步骤2 ‑2)中高分辨率流场数据作为超深超分辨率神经网络VDSR的输出， 并建立VDSR模 型。 7.根据权利要求1所述的一种基于超分辨率重构的翼型流场快速预测方法， 其特征在 于： 上述步骤5)中， 将步骤3)中使用DNN建立的模型和步骤4)中使用VDSR建立的模型串接， 构成DNN‑VDSR翼型流场预测模型并进行训练。权　利　要　求　书 2/2 页 3 CN 115455841 A 3