基于梯度和不确定度的多保真采样方法、装置、设备、介质与流程
本发明涉及飞行器气动参数计算,特别涉及一种基于梯度和不确定度的多保真采样方法、装置、设备、介质。
背景技术:
1、在现代飞行器气动设计中,准确预测复杂流动行为(如湍流、激波相互作用、非定常涡旋动力学)是理解流体特性、优化系统设计、提升运行效率的核心需求,因此,获取全包线内高精度的气动参数至关重要。
2、目前,计算流体力学(computational fluid dynamics,cfd)仿真已经成为解析这些现象不可或缺的工具,包括高保真(high fidelity,hf)仿真和低保真(low fidelity,lf)仿真。其中,低保真仿真采用简化物理假设或粗网格划分,虽然计算效率高,可以在大范围设计空间生成大量样本,但预测精度较低。而高保真仿真采用精细化网格划分、严格收敛准则以及高精度湍流模型,虽然预测精度较高,但计算资源消耗极大。两种方法均不能同时满足精度和效率的要求。
3、因此,如何有效整合低保真lf信息辅助hf建模,在保持预测精度的同时大幅降低计算需求,成为近年来多保真度建模的核心研究焦点。然而,现有多保真度建模方法主要适用于几何结构简单的场景,在面对具有多尺度特征、高曲率/强非线性区域、不规则拓扑结构或动态边界的复杂流动问题时,为保证模型精度,仍需要采集大量的高保真数据样本,无法满足算力要求。
技术实现思路
1、本发明实施例提供了一种基于梯度和不确定度的多保真采样方法、装置、设备、介质,在进行飞行器气动参数计算时,可以显著降低高保真样本的采样量并保证模型的预测精度。
2、第一方面,本发明实施例提供了一种基于梯度和不确定度的多保真采样方法,包括:
3、基于低保真度预测模型的预测结果与高保真度响应之间的关系,构建多保真度代理模型;所述多保真度代理模型用于预测目标飞行器在各位置处的气动参数;
4、确定每个训练轮次的高保真样本集;针对每一轮训练,均采用如下方式确定下一轮次的高保真样本集:在输入空间确定多个高保真候选采样点,基于每个候选采样点处的低保真响应梯度、每个候选采样点对应的高保真预测结果的不确定度以及每个候选采样点与上一轮次的高保真样本集的最小欧氏距离,确定下一轮次新增的高保真目标采样点;将该新增的高保真目标采样点与上一轮次的高保真样本集组成的集合作为下一轮次的高保真样本集;
5、基于预先设定的低保真样本集和各轮次的高保真样本集对所述多保真度代理模型进行训练,直至满足设定的停止准则,得到最终的高保真样本集。
6、第二方面,本发明实施例还提供了一种基于梯度和不确定度的多保真采样装置,包括:
7、构建单元,用于基于低保真度预测模型的预测结果与高保真度响应之间的关系,构建多保真度代理模型;所述多保真度代理模型用于预测目标飞行器在各位置处的气动参数;
8、确定单元,用于确定每个训练轮次的高保真样本集;针对每一轮训练,均采用如下方式确定下一轮次的高保真样本集:在输入空间确定多个高保真候选采样点,基于每个候选采样点处的低保真响应梯度、每个候选采样点对应的高保真预测结果的不确定度以及每个候选采样点与上一轮次的高保真样本集的最小欧氏距离,确定下一轮次新增的高保真目标采样点;将该新增的高保真目标采样点与上一轮次的高保真样本集组成的集合作为下一轮次的高保真样本集;
9、训练单元,用于基于预先设定的低保真样本集和各轮次的高保真样本集对所述多保真度代理模型进行训练,直至满足设定的停止准则,得到最终的高保真样本集。
10、第三方面,本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本说明书任一实施例所述的方法。
11、第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。
12、第五方面,本发明实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述所述的方法的步骤。
13、本发明实施例提供了一种基于梯度和不确定度的多保真采样方法、装置、设备、介质。首先,该方法通过构建多保真度代理模型,可以将高保真度响应表示为低保真度预测的线性缩放与非线性残差的叠加,实现高保真度(hf)与低保真度(lf)数据的分层融合。其次,在从多个高保真候选采样点中确定下一训练轮次新增的高保真目标采样点时,通过考虑每个候选采样点与其对应的低保真采样点之间的梯度,可以识别响应变化剧烈的敏感区域。通过考虑每个候选采样点对应的高保真预测结果的不确定度,可以识别当前代理模型预测可信度较低的区域,从而提高新增高保真样本的潜在建模价值。同时,通过考虑每个候选采样点与上一轮次的高保真样本集的最小欧氏距离,可以避免在已采样区域重复投放高保真度样本、减少高保真度仿真的冗余消耗,在计算预算严格受限条件下实现采样效率的突破性提升。由此可见,本申请可以显著降低高保真样本的采样量并保证模型的预测精度。
1.一种基于梯度和不确定度的多保真采样方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述多保真度代理模型如下式所示:
3.根据权利要求1所述的方法,其特征在于,采用如下方式在输入空间确定多个高保真候选采样点:
4.根据权利要求3所述的方法,其特征在于,采用如下方式计算每个候选采样点处的低保真响应梯度:
5.根据权利要求2所述的方法,其特征在于,采用下式计算每个候选采样点对应的高保真预测结果的不确定度:
6.根据权利要求1所述的方法,其特征在于,所述基于每个候选采样点处的低保真响应梯度、每个候选采样点对应的高保真预测结果的不确定度以及每个候选采样点与上一轮次的高保真样本集的最小欧氏距离,确定下一轮次新增的高保真目标采样点,包括:
7.根据权利要求1所述的方法,其特征在于,还包括:
8.一种基于梯度和不确定度的多保真采样装置,其特征在于,包括:
9.一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com