公开(公告)号：CN116522769A

公开(公告)日：2023-08-01

申请号：CN202310428156.9

申请日：2023-04-20

申请人： 重庆大学

发明人： 谢志江 ,  陈超 ,  黄宏宇 ,  杨川 ,  杨朝旭 ,  王成良 ,  谢磊 ,  孟德虹 ,  杨海咏

IPC分类号： G06F30/27 ,  G06F30/15 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G06F18/25 ,  G06F119/14

摘要： 本发明具体涉及基于VAE‑GAN和自注意力机制的压力系数预测方法，包括：将翼型二维坐标输入压力预测模型中，输出对应的预测压力系数曲线；压力预测模型基于VAE‑GAN网络构建；训练时，VAE的编码器基于翼型二维坐标提取翼型几何特征、翼型流形特征和翼型环境特征，并分析特征之间的相互影响，再融合生成翼型融合特征；VAE的解码器分别基于翼型融合特征和随机噪声生成对应的预测压力系数曲线和虚假压力系数曲线；GAN的鉴别器计算对应的损失函数并更新压力预测模型的网络参数，直至模型收敛。本发明能够提取翼型几何特征、流形特征和环境特征等多个维度特征，并且能够分析不同特征之间的相互影响和相关性，进而更好的融合不同特征之间的相互关系。

公开(公告)号：CN116227364A

公开(公告)日：2023-06-06

申请号：CN202310455762.X

申请日：2023-04-25

申请人： 重庆大学

发明人： 陈超 ,  杨淇森 ,  黄宏宇 ,  吴杰 ,  谢志江 ,  孟德虹 ,  杨海咏 ,  杨朝旭 ,  王成良 ,  谢磊

IPC分类号： G06F30/27 ,  G06F30/28 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/0495 ,  G06N3/084 ,  G06N3/094 ,  G06F111/10 ,  G06F113/08 ,  G06F119/14

摘要： 本发明具体涉及基于改进生成对抗网络与模型压缩的翼型流场预测方法，包括：将边界条件输入经过训练的流场预测模型，输出对应的预测流场图像；训练流场预测模型时：首先将边界条件作为生成器的输入并输出预测流场图像，判别器基于真实流场图像对预测流场图像进行判断并更新自身参数，最后将判别器的参数更新结果反馈至生成器，以供生成器更新自身参数；重复迭代并不断更新生成器和判别器的参数；最终，对经过训练的流场预测模型进行模型压缩。本发明通过深度卷积生成对抗网络提取翼型流场的复杂特征，并能够将高维数据并转换为潜在的低维表示以更好的实现翼型流场预测，同时能够通过模型压缩来降低模型的参数量和运算量。

公开(公告)号：CN117540489B

公开(公告)日：2024-06-21

申请号：CN202311506032.4

申请日：2023-11-13

申请人： 重庆大学

发明人： 孟菲 ,  陈超 ,  黄宏宇 ,  谢志江 ,  杨川 ,  杨朝旭 ,  王成良 ,  谢磊 ,  孟德虹 ,  杨海咏

IPC分类号： G06F30/15 ,  G06F30/27 ,  G06F30/28 ,  G06N3/0464 ,  G06F113/08 ,  G06F119/14

摘要： 本发明涉及一种基于多任务学习的翼型气动数据计算方法及系统，属于空气动力学和深度学习技术领域。该方案采用一种多任务学习方法，构建翼型重构网络提取翼型几何特征，设计翼型流场预测网络提取翼型在全局环境下的粗粒度压力系数曲线，设计翼型压力系数生成网络提取翼型在局部环境下的细粒度压力系数曲线，并且通过“十字绣”网络将两者线性结合起来，计算翼型的升力、阻力、力矩等气动系数。本发明有效地把深度学习模型AE、GAN、U‑NET、多任务学习模型与流体力学、空气动力学结合在一起，挖掘其隐藏特征，精准地预测翼型的气动系数，可以很好地提高预测模型训练的全面性和有效性，从而能够提高气动数据计算的准确性，具有广阔的应用前景。

公开(公告)号：CN117725852A

公开(公告)日：2024-03-19

申请号：CN202311782819.3

申请日：2023-12-22

申请人： 重庆大学

发明人： 黄宏宇 ,  叶译洋 ,  陈超 ,  吴杰 ,  谢志江 ,  杨朝旭 ,  王成良 ,  谢磊 ,  孟德虹 ,  杨海咏

IPC分类号： G06F30/28 ,  G06F30/27 ,  G06N3/0464 ,  G06N3/082 ,  G06F113/08 ,  G06F119/14

摘要： 本发明涉及一种面向流场预测的深度神经网络模型压缩方法、流场预测方法及系统，属于流体力学和模型压缩技术领域。该方法首先把原始模型进行图嵌入，变成分层计算图；然后将分层计算图作为强化学习智能体的环境寻找原始模型每层的剪枝率；再采用基于L1范数的模型剪枝算法对原始模型进行剪枝，达到模型压缩的目的，输出满足该压缩比的性能最优的模型，使得压缩后的模型能够应用于计算力受限的嵌入式设备。本发明将强化学习算法以及改进的奖励函数用于搜索深度学习模型各层剪枝率，达到缩小模型大小提高解算速度的目的，实验结果表明，该压缩算法能够同时提高流场预测模型的精度和运行速度。

公开(公告)号：CN117540489A

公开(公告)日：2024-02-09

申请号：CN202311506032.4

申请日：2023-11-13

申请人： 重庆大学

发明人： 孟菲 ,  陈超 ,  黄宏宇 ,  谢志江 ,  杨川 ,  杨朝旭 ,  王成良 ,  谢磊 ,  孟德虹 ,  杨海咏

IPC分类号： G06F30/15 ,  G06F30/27 ,  G06F30/28 ,  G06N3/0464 ,  G06F113/08 ,  G06F119/14

摘要： 本发明涉及一种基于多任务学习的翼型气动数据计算方法及系统，属于空气动力学和深度学习技术领域。该方案采用一种多任务学习方法，构建翼型重构网络提取翼型几何特征，设计翼型流场预测网络提取翼型在全局环境下的粗粒度压力系数曲线，设计翼型压力系数生成网络提取翼型在局部环境下的细粒度压力系数曲线，并且通过“十字绣”网络将两者线性结合起来，计算翼型的升力、阻力、力矩等气动系数。本发明有效地把深度学习模型AE、GAN、U‑NET、多任务学习模型与流体力学、空气动力学结合在一起，挖掘其隐藏特征，精准地预测翼型的气动系数，可以很好地提高预测模型训练的全面性和有效性，从而能够提高气动数据计算的准确性，具有广阔的应用前景。

公开(公告)号：CN116227359A

公开(公告)日：2023-06-06

申请号：CN202310242725.0

申请日：2023-03-14

申请人： 重庆大学

发明人： 黄宏宇 ,  肖鸿飞 ,  陈超 ,  谢志江 ,  杨朝旭 ,  王成良 ,  谢磊 ,  孟德虹 ,  杨海咏

IPC分类号： G06F30/27 ,  G06F30/28 ,  G06F30/17 ,  G06N3/0464 ,  G06F113/08

摘要： 本发明具体涉及基于注意力和卷积神经网络编解码器的流场预测方法，包括：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；训练模型时：首先将包含符号距离函数图及流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成注意力特征图；进而通过融合映射模块将注意力特征图与符号距离函数图的攻角和马赫数融合，并映射生成高级特征图；随后通过解码器对高级特征图进行解码，生成流场预测图像；最后基于流场预测图像和流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数。本发明能够提高流场预测的预测精度和预测效率。