一种基于DCCGAN的高超声速飞行器流热固耦合物理场求解方法

一种基于dccgan的高超声速飞行器流热固耦合物理场求解方法
技术领域
1.本发明属于计算机辅助分析领域和人工智能领域，具体涉及一种基于dccgan的高超声速飞行器流热固耦合物理场求解方法，dccgan(deep convolution conditional generative adversarial networks)是指深度卷积条件生成对抗网络。


背景技术：

2.高超声速飞行器气动外形复杂，飞行速度超过5ma，气动热力学环境十分恶劣，极易发生气动、热、结构变形多场耦合的问题。流热固物理场耦合效应会对飞行器的气动特性和控制效率造成较大影响，是高超声速飞行器建模仿真中必须解决的重难点。
3.复杂的多物理场耦合求解首要面临的问题是各子学科建模，传统的工程方法如面元法、模态分析法等，存在求解精度不足的问题。采用基于计算流体力学(computational fluid dynamics，cfd)为代表的数值计算方法能有效提高求解精度以及解算结果的可信性。但是cfd计算效率低，完成一个算例解算需要几个小时甚至更长的时间，难以满足快速仿真需求，需要有新的建模仿真思路匹配多场耦合快速仿真的任务需求。
4.gan是goodfellow在2014年提出的一种对抗学习的生成模型，由一个生成器模型和一个判别器模型组成。通过充分学习原始数据样本的复杂分布，捕捉数据样本的高阶相关性，产生逼真的数据样本，可以很好的解决空气动力学领域中数据样本不足的问题。条件生成式对抗网络模型(cgan)可以看作是对gan的一种扩展，通过给与生成器与判别器一个条件信息来控制生成器所生成的内容。而深度卷积条件生成对抗网络(deep convolution conditional generative adversarial networks，缩写为dccgan)则是将cgan模型中生成器与判别器中的全连接层换成卷积层，使其可以在分辨率更高、网络更深的生成模型上稳定地训练，因此，如何基于dccgan对高超声速飞行器的流热固耦合物理场进行仿真建模是一个值得研究的问题。


技术实现要素：

5.针对高超声速飞行器流热固耦合物理场求解过程中求解精度和求解效率相互矛盾的问题，本发明提出了一种基于dccgan的高超声速飞行器流热固耦合物理场求解方法，该方法以工况编码与飞行器初始网格为条件信息，以cfd软件求解出的飞行器网格各点空间位置分布情况和气动力分布情况作为真实值，引导深度学习中的条件生成对抗网络模型自动学习数据分布，生成逼真样本，从而实现飞行器高精度流热固耦合物理场快速求解，为高超声速飞行器实时仿真提供有效的技术支撑。
6.本发明的具体技术方案如下：
7.一种基于dccgan的高超声速飞行器流热固耦合物理场求解方法，包括以下步骤：
8.s1：利用cfd软件对不同工况下和不同初始网格下的流热固耦合物理场进行批处理求解，导出计算得到的形变位移数据和真实分布式气动力数据作为离线数据集。
9.s2：构建以工况为条件信息的dccgan0模型，用于生成工况对应的分布式气动力数据。
10.s3：训练dccgan模型，利用生成器模型g0生成的分布式气动力数据与真实分布式气动力数据的误差以及判别器模型d0输出的结果用来引导网络模型学习。
11.s4：构建以不同初始网格为条件信息的dccgan1模型，用于生成不同初始网格对应的形变位移数据和分布式气动力数据。
12.优选的，所述形变位移数据按节点序号存储到(n,n,3)的三维张量中，所述分布式气动力数据按节点序号存储到(n,n,1)的三维张量中，其中n2大于网格节点数。
13.优选的，对工况采取独热编码(one-hot编码)后与噪声进行维度拼接并作为生成器模型的输入，生成器模型g0的输出为(n,n,1)的三维张量，即生成的分布式气动力数据；将真实或生成器模型g0生成的分布式气动力数据与工况进行维度拼接并作为判别器模型d0的输入，判别器模型d0输出真假判别结果。
14.优选的，所述生成器模型g0中，输入数据经过全连接神经网络和5个输出通道数分别为256、128、64、32、1的反卷积模块，其中前4个反卷积模块的反卷积层后均加入bn层，bn层后加入relu激活函数层，第5个反卷积模块的反卷积层后加入tanh激活函数层；
15.其中，所述relu与tanh激活函数的表达式如下所示：
[0016][0017]
其中，relu(x)是指relu函数的输出值，tanh(x)是指tanh函数的输出值；max(0,x)指在0和输入x中取较大的数，e
x
是指输入值进行指数函数运算，e-x
是指输入值取负值后进行指数函数运算。
[0018]
优选的，所述判别器模型d0中输入数据经过五个输出通道数分别为64、128、256、512、512的卷积模块和1个输出通道数为1的输出层卷积模块，其中5个卷积模块的卷积层后均加入bn层，bn层后加入leakyrelu激活函数层，输出层卷积模块的卷积层后加入sigmoid激活函数层；
[0019]
其中，所述leakyrelu与sigmoid激活函数的表达式如下所示：
[0020][0021]
其中，leakyrelu(x)是指leakyrelu函数的输出值，sigmoid(x)是指sigmoid函数的输出值；α是指泄露值，一般取0.01；max(αx,x)指在输入x和输入与泄露值相乘后得到αx中取较大的数，e-x
是指输入值取负值后进行指数函数运算。
[0022]
优选的，首先建立网络模型的基于交叉熵的损失函数，训练过程中生成器模型g0希望让判别器d0将生成的分布式气动力数据鉴别为真，竭力最小化损失函数；判别器模型d0希望提升鉴别出生成的分布式气动力数据为假的能力，竭力最大化损失函数，当生成器模型g0和判别器模型d0都取得最优解时训练停止。
[0023]
优选的，将步骤s1中所得形变位移数据与步骤s2中生成分布式气动力数据进行维度拼接并作为生成器模型g1的输入，生成器模型g1的输出为(n,n,4)的三维张量，即生成的形变位移和分布式气动力数据；将真实或生成器模型g1生成的数据与条件信息进行维度拼
接并作为判别器模型d1的输入，判别器模型d1输出真假判别结果；利用生成器模型g1生成的数据与真实数据的误差以及判别器模型d1输出的结果用来引导网络模型学习，生成不同工况、不同初始网格下分布式气动力数据与形变位移数据。
[0024]
优选的，所述生成器模型g1对输入数据先后进行下采样和上采样处理，下采样处理时，输入数据经过3个输出通道数分别为64、128、256的卷积模块和4个输出通道数均为512的卷积模块，每个卷积模块的卷积层后均加入bn层，bn层后加入relu激活函数层；上采样处理时，下采样后的数据经过3个输出通道数均为512和4个输出通道数依次为256、128、64、32的反卷积层，再由一个输出通道数为4的输出卷积模块输出，除第一个反卷积层外，其余每个反卷积层前皆依次加入一个卷积模块与一个维度拼接层，所述卷积模块由卷积层、bn层和relu激活函数层组成，所述输出卷积模块由卷积层和tanh激活函数层组成。
[0025]
优选的，所述判别器模型d1结构与判别器模型d0相同。
[0026]
相比于现有技术，本发明具有以下有益效果：
[0027]
1.本发明提出了一种基于dccgan的高超声速飞行器流热固耦合物理场求解方法，通过构建高精度离线数据集，利用dccgan模型自动学习数据分布且快速生成逼真样本，解决了求解精度和求解效率相互矛盾的问题，为高超声速飞行器实时仿真提供有效的技术支撑。
[0028]
2.本发明面向高维非线性数据，设计了具有两个生成器与两个判别器的级联dccgan模型，与数值拟合模型相比，精度更高且能够在任意输入形式下实现对真实数据样本分布的拟合。通过控制模型的条件信息，可以生成不同工况、不同初始网格下分布式气动力样本与形变位移样本，可以解决空气动力学领域中数据样本不足的问题。
附图说明
[0029]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的实施过程和细节，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0030]
图1是本发明的基于dccgan的高超声速飞行器流热固耦合物理场求解方法的整体流程图；
[0031]
图2是本发明的求解方法中cfd求解的流程图；
[0032]
图3是本发明的cfd计算域体网格；
[0033]
图4是本发明的流热固耦合求解模型；
[0034]
图5是本发明的残差收敛曲线图；
[0035]
图6是本发明的dccgan0网络结构图；
[0036]
图7是本发明的dccgan模型训练流程图
[0037]
图8是本发明的dccgan1网络结构图；
具体实施方式
[0038]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施
例及实施例中的特征可以相互组合。
[0039]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0040]
为了方便理解本发明的上述技术方案，以下通过具体实施例对本发明的上述技术方案进行详细说明。
[0041]
本发明建立了一种基于dccgan的高超声速飞行器流热固耦合物理场求解方法，通过cfd软件对高超声速飞行器流热固耦合物理场进行多工况批处理求解，解决了求解精度不足的问题。通过构建离线数据集，利用dccgan模型对形变位移和气动力数据的分布进行学习，利用训练完成的生成器模型快速生成逼真样本，解决求解效率不高的问题。整个求解方法的流程图如图1所示，具体包括以下几个步骤：
[0042]
s1：利用cfd软件对不同工况下、不同初始网格下的流热固耦合物理场进行批处理求解，导出计算后的形变位移数据以及分布式气动力数据作为离线数据集并提供给dccgan网络进行训练。其中将气动力数据按节点序号存储到(128，128，1)的三维张量中，形变位移数据按节点序号存储到(128，128，3)的三维张量中。cfd求解的流程如图2所示。
[0043]
在一些实施例中，步骤s1具体包括：
[0044]
s1-1：将飞行器几何模型导入ansys scdm中进行流域划分，对飞行器的关键部位进行加密，设置全局参数生成用于cfd求解的多面体网格，生成的200万量级的计算域体网格如图3所示。
[0045]
s1-2：利用ansys workbench软件构建流热固耦合求解模型如图4所示，利用fluent求解器求解耦合面上的温度分布和气动力，利用static structural求解器计算结构网格上的应力、形变位移分布。
[0046]
s1-3：在fluent中对求解参数和条件进行设置：求解器设置为密度求解器；求解模型中开启能量方程和选择standard k-e湍流模型；模型材质部分将流体设置为理想气体；边界条件部分将最外层边界设置为压力远场，飞机表面设定为固壁边界与热边界；根据工况参数，设定温度、压强、来流马赫数和各方向气流速度分量；设置监视器，给定求解终止条件。
[0047]
s1-4：初始化求解。求解收敛后导出飞行器表面网格节点上的气动力与形变位移数据。迭代求解得到残差收敛曲线如图5所示。
[0048]
s1-5：将导出的数据按节点序号存储到三维张量中作为一组解。飞行器共16128个节点，可以将气动力数据存储到大小为(128，128，1)的三维张量中，多余的位置补0处理；同理将形变位移数据按节点序号存储到(128，128，3)的三维张量中，其中通道1、2、3依次存储形变位移中的x、y、z轴的数据。
[0049]
s1-6：根据高超声速飞行器的飞行状态，选择3个变量作为多工况参数，如表1所示。通过编写journal脚本的方式实现ansys自动化批量求解不同工况下的气动力与形变位移数据，由此多工况离线解集构建完成。
[0050]
表1多工况参数表
[0051][0052]
s2：构建以工况为条件信息的dccgan模型用于生成工况对应的分布式气动力样本。对工况采取独热编码(one-hot编码)后与噪声进行维度拼接作为生成器的输入，生成器的输出为(128，128，1)的三维张量，代表生成的气动力样本。将真实或生成气动力数据与工况进行维度拼接作为判别器的输入，判别器输出真假判别结果。生成器模型g0与判别模型d0的具体结构图如图6所示。
[0053]
在一些实施例中，步骤s2具体包括：
[0054]
s2-1：对工况采取独热编码。马赫数共5种特征值，利用独热编码可将[6.6,6.8,7.0,7.2,7.4]表示为[10000,01000,00100,00010,00001]，同理可以将攻角表示为[10000,01000,00100,00010,00001]，侧滑角表示为[100,010,001]。所以工况编码可以用13维列向量来表示。
[0055]
s2-2：将工况编码与噪声进行维度拼接(concat)作为生成器g0的输入，利用全连接神经网络(dense)将113维的输入数据转化为(4，4，512)的三维张量，作为下一个反卷积层的输入。
[0056]
s2-3：：经过5个输出通道数分别为256、128、64、32和1的反卷积模块将这个3维张量转换成(128，128，1)的三维张量，代表生成的气动力样本。卷积模块中的反卷积层大小为4*4、步长为2、填充为1。
[0057]
s2-4：在前4个反卷积层后面加入bn(batch normalization)层。bn层是调用批量归一化正则化方法，具体处理方式是在卷积层之后基于批量数据(batch size)减去逐通道计算出的均值再除以标准差，可以统一输入数据的取值范围到区间[-1,1]内。利用bn层可以解决网络模型学习困难的问题，且利于反向传播的梯度更新、加快网络收敛的速度。
[0058]
s2-5：在前4个bn层后面加入relu激活函数层，以提高模型的学习速度；第5个反卷积层后加入tanh激活函数层，减轻梯度消失的问题。relu与tanh函数的表达式如下式所示：
[0059][0060]
s2-6：将生成的气动力样本或真实的气动力样本与维度转换后的工况编码进行拼接，输入到五层输出通道数分别为64、128、256、512和512的卷积模块，然后利用输出通道数为1的输出层卷积模块输出一个概率值表明判别器的判断结果。卷积模块中的前5个卷积层大小为4*4、步长为2、填充为1，最后一个卷积层大小为1*1、步长为1、填充为0。
[0061]
s2-7：在前5个卷积层后面加入bn层和leakyrelu激活函数层，最后1个卷积层后面加入sigmoid激活函数层。leakyrelu激活函数是relu激活函数的改进版，在判别器中表现得更好。sigmoid激活函数是为了处理输入样本是真是假的二分类问题。leakyrelu与sigmoid函数的表达式如下式所示：
[0062][0063]
s3：训练模型，利用生成的气动力数据与真实值的误差以及判别器输出的结果用来引导网络模型学习。模型训练流程如图7所示。整个训练是生成器g0与判别器d0进行博弈的过程，生成器g0希望让判别器d0将生成样本鉴别为真，所以竭力最小化损失函数；判别器d0希望提升鉴别出生成样本为假的能力，所以竭力最大化损失函数。训练过程会在生成器g0和判别器d0都取得最优解的时候停止训练，理论上是达到纳什平衡。
[0064]
在一些实施例中，步骤s3具体包括：
[0065]
s3-1：设计网络的基于交叉熵的对抗损失函数，如下式所示：
[0066][0067]
其中，g代表生成器，d代表判别器是生成对抗网络的对抗损失函数，l
cgan
(d,g)是条件生成对抗网络的对抗损失函数。表示固定判别器参数，生成器最小化损失函数；固定生成器参数，判别器最大化损失函数。x是服从目标分布po的真实数据样本向量，y是条件信息即工况编码，z是是服从均匀分布pz的噪声样本向量。d(x|y)表示当工况编码和真实的数据样本向量一起输入到判别器时，判别器的判断，1表示真，0表示假。g(z|y)表示当工况编码和噪声样本向量一起输入到生成器时，生成器生成的样本向量。d(g(z|y))表示生成器生成的样本向量输入到判别器时，判别器的判断。e表示真实数据样本向量x和噪声样本向量z的数学期望，log表示对数函数。
[0068]
第一项表示在给定条件信息y下，真实数据被判别为指定类别y时的损失值；第二项表示在结合条件信息y后，生成模型生成的样本数据所计算得到的损失值。判别器通过最大化损失函数，更新判别模块参量信息，精准地识别真实数据和生成数据；生成器通过最小化损失函数，使得生成器生成的数据能够被判别器判定为y类别，达到混淆判别器的效果。
[0069]
对抗网络的损失约束目标就是使得重建数据样本最大限度地逼近原始真实数据，仅有对抗损失不能得到想要的效果，需要加上传统的损失约束，选择l1距离度量方法，如下式所示：
[0070][0071]
其中，l
l1
(g)是重建数据和真实数据之间的l1损失，是指x符合真实值分布po和z符合均匀分布pz的期望。g(z|y)表示当工况编码和噪声样本向量一起输入到生成器时，生成器生成的样本向量。‖*‖1表示1范数
[0072]
为了平衡cgan损失项和l1损失项加入超参数λ：因此算法中使用的dccgan最终的损失函数g
*
如下式所示:
[0073][0074]
其中，l
cgan
(d,g)是条件生成对抗网络的对抗损失函数，l
l1
(g)是重建数据和真实数据之间的l1损失，λ是超参数。表示固定生成器参数，判别器最大化对抗损失函数，固定判别器参数，生成器最小化对抗损失函数时，生成器g与判别器d的
参数取值。
[0075]
s3-2：初始化网络的权值参数。权值初始化可以让网络模型在寻求全局最优解的时候有一个较好的初始位置，更好更快的收敛。卷积层的权值初始化时采用均值为0，方差为0.02的随机正态分布。
[0076]
s3-3：从多工况离线解集中随机抽取一批真实数据，训练判别器并更新其参数。第一轮训练将真实数据送入判别器，用作判别器的参数更新，使判别器判断真实数据的能力得以提升。第二轮训练使用生成器生成同等规模的虚假数据，同样更新判别器的参数，使判别器判断虚假数据的能力得以提升。参数更新采用的方法是对梯度下降法改进的adam方法。
[0077]
s3-4：训练生成器并更新其参数。在对生成器进行训练时，需要使判别器的参数保持恒定，即将判别器设定为不可训练模式。在完成本轮对生成器的训练后，再将判别器设定为可训练模式，等待下一次迭代。生成器参数更新采用的也是adam方法。
[0078]
s3-5：在训练批次内往复训练，实现cgan网络判别器与生成器的交替训练与增强，最终接近理想的纳什均衡状态。
[0079]
在一些实施例中，步骤s4具体包括：
[0080]
s4：构建以不同初始网格为条件信息的dccgan模型用于生成不同初始网格对应的分布式气动力样本。将形变位移数据与步骤s2模型中生成的气动力样本数据进行维度拼接作为生成器的输入，生成器的输出为(128，128，4)的三维张量，代表生成的形变位移及气动力样本。将真实或生成数据与条件信息进行维度拼接作为判别器的输入，判别器输出真假判别结果。生成器模型g1与判别模型d1的具体结构图如图8所示。用与步骤s3中相同的训练方法训练模型，生成不同工况、不同初始网格下分布式气动力样本与形变位移样本。
[0081]
s4-1：利用训练好的生成器g0生成气动力样本数据与进行流热固耦合仿真的初始网格节点坐标数据进行维度拼接，得到(128，128，4)的三维张量，作为生成器g1的输入。
[0082]
s4-2：对输入数据进行下采样处理。输入数据会经过3个输出通道数分别为64、128、256的卷积模块和4个输出通道数为512的卷积模块。在下采样过程中，输入向量的长和宽每经过一个卷积模块都会缩小一半，从最初的128*128的大小在下采样过程结束时变为1*1。卷积模块由大小为4*4、步长为2和填充为1的卷积层，bn层和relu激活函数层组成。
[0083]
s4-3：对下采样后的数据进行上采样处理，用于调整输出的样本数据大小。在上采样的过程中，数据会经过3层输出通道数为512和4层输出通道数依次为256、128、64、32的大小为4*4、步长为2、填充为1的反卷积层，数据的长和宽每经过一个反卷积层块会扩大一倍，从尺寸1*1逐渐调整为输出样本数据时所需要的128*128大小。在处理过程中，会利用跳层连接(concat)对上与下采样中相对应层的输出结果进行通道维度的叠加，保证了输出信息的完整性和特征丰富性。然后再输入到卷积模块中进行降维操作，控制通道维度的大小。卷积模块由大小为3*3、步长为1、填充为1的卷积层，bn层和relu激活函数层组成。上采样的最后一层由通道数为4的卷积层后加入tanh激活函数层组成，减轻梯度消失的问题，同时控制输出数据的大小。
[0084]
s4-4：将生成的气动力样本或真实的气动力样本与条件信息进行维度拼接后输入到判别器d1中，判别器鉴别输入的样本是生成样本还是真实值。其中判别器d1结构与d0相同。
[0085]
s4-5：按步骤s3-1至s3-5中的训练方法训练模型，利用生成的数据与真实数据的误差以及判别器输出的结果用来引导网络模型学习。由此可以生成不同工况、不同初始网格下分布式气动力样本与形变位移样本。
[0086]
以上所述之实施例仅为本发明的较佳实施例，并非对本发明做任何形式上的限制。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，利用上述揭示的技术内容对本发明技术方案作出更多可能的变动和润饰，或修改均为本发明的等效实施例。故凡未脱离本发明技术方案的内容，依据本发明之思路所作的等同等效变化，均应涵盖于本发明的保护范围。

技术特征：
1.一种基于dccgan的高超声速飞行器流热固耦合物理场求解方法，包括以下步骤：s1：利用cfd软件对不同工况下和不同初始网格下的流热固耦合物理场进行批处理求解，导出计算得到的形变位移数据和真实分布式气动力数据作为离线数据集；s2：构建以工况为条件信息的dccgan0模型，用于生成工况对应的分布式气动力数据；s3：训练dccgan模型，利用生成器模型g0生成的分布式气动力数据与真实分布式气动力数据的误差以及判别器模型d0输出的结果用来引导网络模型学习；s4：构建以不同初始网格为条件信息的dccgan1模型，用于生成不同初始网格对应的形变位移数据和分布式气动力数据。2.根据权利要求1所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述形变位移数据按节点序号存储到(n，n，3)的三维张量中，所述分布式气动力数据按节点序号存储到(n，n，1)的三维张量中，其中n2大于网格节点数。3.根据权利要求1所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述步骤s2包括：对工况采取独热编码后与噪声进行维度拼接并作为生成器模型的输入，生成器模型g0的输出为(n，n，1)的三维张量，即生成的分布式气动力数据；将真实或生成器模型g0生成的分布式气动力数据与工况进行维度拼接并作为判别器模型d0的输入，判别器模型d0输出真假判别结果。4.根据权利要求3所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述生成器模型g0中，输入数据经过全连接神经网络和5个输出通道数分别为256、128、64、32、1的反卷积模块，其中前4个反卷积模块的反卷积层后均加入bn层，bn层后加入relu激活函数层，第5个反卷积模块的反卷积层后加入tanh激活函数层；其中，所述relu与tanh激活函数的表达式如下所示：其中，relu(x)是指relu函数的输出值，tanh(x)是指tanh函数的输出值；max(0，x)指在0和输入x中取较大的数，e
x
是指输入值进行指数函数运算，e-x
是指输入值取负值后进行指数函数运算。5.根据权利要求3所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述判别器模型d0中输入数据经过五个输出通道数分别为64、128、256、512、512的卷积模块和1个输出通道数为1的输出层卷积模块，其中5个卷积模块的卷积层后均加入bn层，bn层后加入leakyrelu激活函数层，输出层卷积模块的卷积层后加入sigmoid激活函数层；其中，所述leakyrelu与sigmoid激活函数的表达式如下所示：其中，leakyrelu(x)是指leakyrelu函数的输出值，sigmoid(x)是指sigmoid函数的输出值；α是指泄露值，一般取0.01；max(αx，x)指在输入x和输入与泄露值相乘后得到αx中取较大的数，e-x
是指输入值取负值后进行指数函数运算。6.根据权利要求1所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述步骤s3包括：
首先建立网络模型的基于交叉熵的损失函数，训练过程中生成器模型g0希望让判别器d0将生成的分布式气动力数据鉴别为真，竭力最小化损失函数；判别器模型d0希望提升鉴别出生成的分布式气动力数据为假的能力，竭力最大化损失函数，当生成器模型g0和判别器模型d0都取得最优解时训练停止。7.根据权利要求1所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述步骤s4包括：将步骤s1中所得形变位移数据与步骤s2中生成分布式气动力数据进行维度拼接并作为生成器模型g1的输入，生成器模型g1的输出为(n，n，4)的三维张量，即生成的形变位移和分布式气动力数据；将真实或生成器模型g1生成的数据与条件信息进行维度拼接并作为判别器模型d1的输入，判别器模型d1输出真假判别结果；利用生成器模型g1生成的数据与真实数据的误差以及判别器模型d1输出的结果用来引导网络模型学习，生成不同工况、不同初始网格下分布式气动力数据与形变位移数据。8.根据权利要求6所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述生成器模型g1对输入数据先后进行下采样和上采样处理，下采样处理时，输入数据经过3个输出通道数分别为64、128、256的卷积模块和4个输出通道数均为512的卷积模块，每个卷积模块的卷积层后均加入bn层，bn层后加入relu激活函数层；上采样处理时，下采样后的数据经过3个输出通道数均为512和4个输出通道数依次为256、128、64、32的反卷积层，再由一个输出通道数为4的输出卷积模块输出，除第一个反卷积层外，其余每个反卷积层前皆依次加入一个卷积模块与一个维度拼接层，所述卷积模块由卷积层、bn层和relu激活函数层组成，所述输出卷积模块由卷积层和tanh激活函数层组成。9.根据权利要求6所述的高超声速飞行器流热固耦合物理场求解方法，其特征在于，所述判别器模型d1结构与判别器模型d0相同。

技术总结
针对高超声速飞行器流热固耦合物理场求解过程中求解精度和求解效率相互矛盾的问题，本发明提出了一种基于DCCGAN的高超声速飞行器流热固耦合物理场求解方法，该方法以工况编码与飞行器初始网格为条件信息，以CFD软件求解出的飞行器网格各点空间位置分布情况和气动力分布情况作为真实值，引导深度学习中的条件生成对抗网络模型自动学习数据分布，生成逼真样本，从而实现飞行器高精度流热固耦合物理场快速求解，为高超声速飞行器实时仿真提供有效的技术支撑。效的技术支撑。效的技术支撑。


技术研发人员：李妮 刘云钦 赵路明 龚光红
受保护的技术使用者：北京航空航天大学
技术研发日：2021.12.20
技术公布日：2022/3/8