基于去噪扩散模型的翼型快速反设计方法、装置及设备与流程

本发明涉及智能流体力学领域，特别涉及基于去噪扩散模型的翼型快速反设计方法、装置及设备。

背景技术：

1、翼型设计分为正向设计和反向设计两种方式。正向设计主要是基于现有翼型改进，通过确定设计目标，人工修改和优化翼型数据，然后进行气动性能分析，不断迭代重复此过程直到满足要求；反向设计是先给定气动目标，以该目标为约束条件，利用优化方法拟合计算得到满足气动目标的翼型。

2、翼型正向设计方法通过多次给定翼型形状和流动条件，反复进行风洞试验或者cfd（computational fluid dynamics，计算流体力学）计算获得翼型对应的气动性能，直到满足预先设定的设计指标，此过程无疑非常费时费力，且需要丰富的专业知识和经验。翼型反设计目前通常以翼型表面流场作为先验条件（如表面压力），通过复杂的迭代映射得到在此条件约束下的翼型形状。但是翼型的表面流场在得到翼型之前不易获取，因此，当前翼型反设计的表面流场获取困难，翼型设计需要不断迭代优化，此过程非常费时费力，且需要丰富的专业知识和经验。

技术实现思路

1、有鉴于此，本发明的目的在于提供基于去噪扩散模型的翼型快速反设计方法、装置及设备，能够快速获得指定气动性能控制下的翼型设计结果。其具体方案如下：

2、第一方面，本技术公开了一种基于去噪扩散模型的翼型快速反设计方法，包括：

3、基于从初始翼型数据库中获取的历史飞行器翼型形状及对应的历史翼型坐标点训练无条件去噪扩散模型，以便训练后的目标无条件去噪扩散模型生成若干目标翼型形状，并基于所述目标翼型形状建立目标翼型数据库；

4、利用所述目标翼型数据库的所述目标翼型形状以及对应的气动性能参数对条件去噪扩散模型进行模型训练，以得到目标条件去噪扩散模型；

5、当存在翼型生成请求时，将所述翼型生成请求中的气动性能指标输入至所述目标条件去噪扩散模型，以便所述目标条件去噪扩散模型基于所述气动性能指标生成对应的翼型形状。

6、可选的，所述基于从初始翼型数据库中获取的历史飞行器翼型形状及对应的历史翼型坐标点训练无条件去噪扩散模型之前，还包括：

7、构建历史飞行器翼型形状以及表征所述历史飞行器翼型形状的历史翼型坐标点之间的对应关系，并基于所述历史飞行器翼型形状、所述历史翼型坐标点、所述对应关系构建初始翼型数据库。

8、可选的，所述基于从初始翼型数据库中获取的历史飞行器翼型形状及对应的历史翼型坐标点训练无条件去噪扩散模型，包括：

9、构建包含将翼型形状转为高斯噪声的前向扩散方程和逆向去噪恢复翼型形状的逆向去噪方程的无条件去噪扩散模型；

10、从所述初始翼型数据库中获取所述历史飞行器翼型形状及对应的所述历史翼型坐标点作为第一训练数据，并将所述第一训练数据中历史翼型坐标点训练数据输入至所述无条件去噪扩散模型，以便所述无条件去噪扩散模型将所述历史翼型坐标点训练数据扩散为高斯噪声数据，然后通过所述无条件去噪扩散模型的神经网络对将所述高斯噪声数据进行逐步去噪处理过程的条件概率分布进行拟合，并优化所述神经网络的网络参数，以得到训练后的目标无条件去噪扩散模型。

11、可选的，所述从所述初始翼型数据库中获取所述历史飞行器翼型形状及对应的所述历史翼型坐标点作为第一训练数据，并将所述第一训练数据中历史翼型坐标点训练数据输入至所述无条件去噪扩散模型，以便所述无条件去噪扩散模型将所述历史翼型坐标点训练数据扩散为高斯噪声数据，包括：

12、将历史翼型坐标点训练数据、扩散步数、加噪方差输入至所述无条件去噪扩散模型中的扩散方程，以通过所述扩散方程获取所述高斯噪声数据。

13、可选的，训练后的目标无条件去噪扩散模型生成若干目标翼型形状，并基于所述目标翼型形状建立目标翼型数据库，包括：

14、通过所述目标无条件去噪扩散模型以及携带噪声信号的历史飞行器翼型形状生成若干目标翼型形状，并将若干所述目标翼型形状及其对应的目标翼型坐标点扩充至所述初始翼型数据库，以得到目标翼型数据库。

15、可选的，所述利用所述目标翼型数据库的所述目标翼型形状以及对应的气动性能参数对条件去噪扩散模型进行模型训练，以得到目标条件去噪扩散模型之前，还包括：

16、计算所述目标翼型数据库中各所述目标翼型形状分别对应的气动性能参数；

17、构建包含将翼型形状转为高斯噪声的前向扩散方程和根据所述气动性能参数进行逆向去噪恢复翼型形状的逆向去噪方程的条件去噪扩散模型。

18、可选的，所述利用所述目标翼型数据库的所述目标翼型形状以及对应的气动性能参数对条件去噪扩散模型进行模型训练，以得到目标条件去噪扩散模型，包括：

19、从所述目标翼型数据库中获取所述目标翼型形状及对应的气动性能参数作为第二训练数据，并将所述第二训练数据中目标翼型坐标点训练数据输入至所述条件去噪扩散模型，以便所述条件去噪扩散模型将所述目标翼型坐标点训练数据扩散为高斯噪声数据，然后通过所述条件去噪扩散模型的神经网络对将所述高斯噪声数据按照高斯噪声数据、时间步、气动性能数据的目标条件进行逐步去噪处理过程的条件概率分布进行拟合，并优化所述条件去噪扩散模型的神经网络的网络参数，以得到训练后的目标条件去噪扩散模型。

20、可选的，所述气动性能参数包括：升力系数、阻力系数。

21、第二方面，本技术公开了一种基于去噪扩散模型的翼型快速反设计装置，包括：

22、库建立模块，用于基于从初始翼型数据库中获取的历史飞行器翼型形状及对应的历史翼型坐标点训练无条件去噪扩散模型，以便训练后的目标无条件去噪扩散模型生成若干目标翼型形状，并基于所述目标翼型形状建立目标翼型数据库；

23、模型训练模块，用于利用所述目标翼型数据库的所述目标翼型形状以及对应的气动性能参数对条件去噪扩散模型进行模型训练，以得到目标条件去噪扩散模型；

24、翼型生成模块，用于当存在翼型生成请求时，将所述翼型生成请求中的气动性能指标输入至所述目标条件去噪扩散模型，以便所述目标条件去噪扩散模型基于所述气动性能指标生成对应的翼型形状。

25、第三方面，本技术公开了一种电子设备，包括：

26、存储器，用于保存计算机程序；

27、处理器，用于执行所述计算机程序，以实现前述公开的基于去噪扩散模型的翼型快速反设计方法的步骤。

28、第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的基于去噪扩散模型的翼型快速反设计方法的步骤。

29、可见，本技术公开了一种基于去噪扩散模型的翼型快速反设计方法，包括：基于从初始翼型数据库中获取的历史飞行器翼型形状及对应的历史翼型坐标点训练无条件去噪扩散模型，以便训练后的目标无条件去噪扩散模型生成若干目标翼型形状，并基于所述目标翼型形状建立目标翼型数据库；利用所述目标翼型数据库的所述目标翼型形状以及对应的气动性能参数对条件去噪扩散模型进行模型训练，以得到目标条件去噪扩散模型；当存在翼型生成请求时，将所述翼型生成请求中的气动性能指标输入至所述目标条件去噪扩散模型，以便所述目标条件去噪扩散模型基于所述气动性能指标生成对应的翼型形状。由此可见，本技术无需获取翼型的表面流场作为翼型反设计过程的约束条件，通过复杂的迭代映射才得到在此约束条件约束下的翼型形状，而是基于去噪扩散模型强大的数据特征学习与样本生成能力，以翼型坐标点和翼型对应的气动性能参数为训练数据，建立翼型反设计模型，当翼型反设计模型训练完成后，可以直接输入气动性能快速得到满足气动性能要求的翼型结果，获取翼型形状的效率更高，速度更快。