本文探究深度學(xué)習(xí)人工智能技術(shù)在飛行器氣動(dòng)外形預(yù)測(cè)中的應(yīng)用。以激波裝配法乘波體設(shè)計(jì)為背景,建立氣動(dòng)數(shù)據(jù)快速生成工具,使用拉丁超立方采樣得到海量樣本數(shù)據(jù)。使用深度殘差神經(jīng)網(wǎng)絡(luò)構(gòu)建氣動(dòng)外形參數(shù)到氣動(dòng)性能數(shù)據(jù)的代理模型,并與隨機(jī)森林和雙隱層神經(jīng)網(wǎng)絡(luò)等普通機(jī)器學(xué)習(xí)模型對(duì)比;同時(shí)將數(shù)據(jù)轉(zhuǎn)換為圖片,研究基于圖片識(shí)別的深度學(xué)習(xí)模型搭建,省略飛行器外形的參數(shù)化表達(dá)。測(cè)試結(jié)果說(shuō)明,深度殘差網(wǎng)絡(luò)作為數(shù)據(jù)代理模型的精度是隨機(jī)森林和雙隱層神經(jīng)網(wǎng)絡(luò)的3倍以上,而基于圖片識(shí)別的代理模型精度提高有限。研究表明,深度殘差網(wǎng)絡(luò)在乘波體等易于生成大量數(shù)據(jù)的氣動(dòng)外形的性能預(yù)測(cè)中效果明顯,為深度學(xué)習(xí)技術(shù)在氣動(dòng)外形設(shè)計(jì)中的應(yīng)用奠定了基礎(chǔ)。 

【文章頁(yè)數(shù)】：5 頁(yè)

【文章目錄】：
0 引言
1 數(shù)據(jù)和方法
    1.1 乘波體設(shè)計(jì)與性能評(píng)估
    1.2 拉丁超立方采樣
    1.3 深度殘差神經(jīng)網(wǎng)絡(luò)
2 基于數(shù)據(jù)的性能預(yù)測(cè)
3 基于圖像識(shí)別的性能預(yù)測(cè)
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的翼型氣動(dòng)系數(shù)預(yù)測(cè)[J]. 陳海,錢煒祺,何磊.  空氣動(dòng)力學(xué)學(xué)報(bào). 2018(02)
[2]飛行器氣動(dòng)外形設(shè)計(jì)方法研究與進(jìn)展[J]. 高正紅,王超.  空氣動(dòng)力學(xué)學(xué)報(bào). 2017(04)
[3]基于激波裝配法的乘波體設(shè)計(jì)與分析[J]. 陳冰雁,劉傳振,紀(jì)楚群.  空氣動(dòng)力學(xué)學(xué)報(bào). 2017(03)



本文編號(hào)：3708498