基于层级流匹配与仿真驱动微调的气动设计方法及系统
本发明属于航空航天器数字化设计、三维生成式建模和计算流体力学交叉,具体涉及基于层级流匹配与仿真驱动微调的气动设计方法及系统。
背景技术:
1、飞行器等工程对象的气动设计是航空航天工程中的核心问题,现有飞行器气动外形设计通常先建立参数化几何模型,再按给定工况划分网格并运行物理仿真,例如基于计算流体力学(computational fluid dynamics,cfd)的求解器。设计人员根据升力、阻力或升阻比等结果调整翼展、后掠角、机身长度、机翼面积和部件相对位置,循环计算直至满足约束。该路线物理含义明确,但一次方案评估往往需要重新建模、网格处理和数值求解。设计变量增多后,计算量随样本数量上升,搜索范围也受初始参数化方式限制。近年来,深度生成模型被引入复杂三维结构(例如三维cad模型,人体三维模型等),但现有技术在飞行器设计领域仍存在显著局限:
2、(1)针对复杂三维几何的高性能编码方式
3、现有专利文献cn121725081a公开了一种新型三维空间体素编码表示方案,采用32位整数对稀疏八叉树节点体素进行编码,通过浮动比特表示体素大小,并编码体素节点在三维空间中的坐标。该方案主要用于三维空间场景中的体素编码与存储,解决传统编码方式内存占用较高、节点定位和查找速度较慢的问题;但其仅涉及体素编码及存储优化,未涉及基于体素的生成式建模,也未涉及具体设备部件的语义分类,未将气动条件作为生成约束,无法直接用于部件级语义生成及气动优化。
4、(2)基于机器学习的三维结构生成
5、现有专利文献cn117235929a公开了一种基于知识图谱和机器学习的三维cad生成式设计方法,通过产品知识整理、需求解析和生成模型得到三维cad模型。该方法面向一般产品设计,也未涉及部件语义的层级体素表示及未将气动条件作为生成约束。
6、现有专利文献cn120408866a公开了一种基于人工智能的三维参数化模型生成方法。该方法将自然语言需求转换为结构化数据,由深度生成模型得到初始几何,再进行几何修复、有限元分析和制造可行性校验。其闭环侧重结构与制造约束,未涉及基于流匹配的三维工程对象生成过程,也未涉及如何利用不可微cfd反馈更新生成模型。
7、(3)条件流匹配与通用三维生成
8、microsoft research发布的trellis与trellis2分别记载了一种基于结构化潜在表示的三维生成方法以及后续改进方法,通过统一表示nerf、3d gaussian和网格等多种三维格式,并采用流匹配模型进行训练,支持文本到三维及图像到三维的生成。该方法主要用于游戏、仿真和创意设计等通用三维资产生成场景;没有针对工程对象的部件语义进行约束,也未将气动参数作为生成条件,且缺少利用气动仿真反馈进行优化的机制,无法直接满足工程对象气动外形生成及性能可控设计的要求。
9、现有专利文献cn119897865a公开了一种机器人动作生成方法及相关装置,将条件流匹配用于机器人动作生成:以任务指令、本体状态和多视角图像为条件,通过参数化速度场输出下一时刻动作位姿。该方法说明流匹配能够处理条件生成问题,但生成对象是机器人动作序列,并非带有部件语义的三维工程网格。
10、综上所述,现有技术中存在如下技术问题:
11、1、现有三维生成方法缺少部件级语义约束。生成结果可能具有外形,但机身、机翼、尾翼等部件的边界和相对位置不稳定,难以直接进入后续气动评估。
12、2、多项设计条件通常被拼接为单一条件向量,各参数对生成结果的影响不易区分;给定翼展、机身长度、机翼面积、攻角和升阻比目标时,现有方法难以同时控制几何尺度和气动响应。
13、3、生成模型与物理仿真求解器之间缺少可执行的反馈更新方式。物理仿真求解器通常不可微,仿真结果不能直接反向传播,导致初始生成网格与目标性能之间的偏差难以通过常规梯度训练修正。
14、4、单阶段模型需要同时处理总体布局、局部曲面和气动性能,优化目标相互牵制。已有方法没有把粗粒度结构生成、精细几何生成、全局变形修正和潜空间微调分开处理。
技术实现思路
1、为解决现有技术的不足,实现飞行部件语义感知、气动条件精细控制,消除飞行器生成几何与目标性能的系统性偏差,提高飞行器生成效率与气动性能达标率的目的,本发明采用如下的技术方案:
2、基于层级流匹配与仿真驱动微调的气动设计系统,包括语义体素自回归生成模块、条件slat流匹配精细几何生成模块、仿真驱动微调模块;
3、语义体素自回归生成模块,在预测气动部件的粗粒度三维结构中引入气动条件参数,得到体素占据、部件语义标签及全局缩放比;
4、条件slat流匹配精细几何生成模块,基于所述全局缩放比将多维气动条件参数通过独立mlp编码为条件词元token,以保持参数级可解释性与可控性,并添加位置编码;将所述体素占据与部件语义标签作为结构条件,在条件词元token矩阵c的引导下,在结构化潜在空间中进行条件流匹配,以生成精细三维几何的slat潜在表示;对slat潜在表示进行解码并提取体素特征以生成三角网格;
5、仿真驱动微调模块,评估所述三角网格的气动性能,以提供不可微的仿真反馈,因其不可微特性,需使用策略梯度或奖励加权方法进行优化,通过气动性能参数与所述气动条件参数的误差生成奖励值,奖励值达到阈值时输出最终三维飞行器设备网格,否则基于全局几何变形调整所述解码,基于奖励值调整所述条件流匹配,在潜空间进行精细调整,使高气动性能样本对流匹配学习贡献更大。
6、进一步地,在所述语义体素自回归生成模块中:
7、对设备进行体素化,将得到的稀疏体素三维空间坐标进行编码并引入部件级语义标签,以逐深度生成稀疏八叉树,用于表征设备粗粒度三维结构,通过逐深度随机掩码构造分层词元token,使生成结果保留飞行器部件语义,使用morton编码进行三维空间z序索引,以保证空间局部性;
8、将所述气动条件参数编码为掩码自回归模型的条件隐空间特征与互注意力上下文;
9、所述掩码自回归transformer模型基于所述分层词元token预测掩码位置的体素占据信号、部件语义标签字典及全局缩放比。
10、进一步地,所述条件slat流匹配精细几何生成模块,包括条件词元token化模块、条件slat流匹配生成模块、flexicubes解码器;
11、所述条件词元token化模块,基于所述全局缩放比与,将每个气动条件参数通过独立的两层mlp映射为多维词元token,并添加可学习位置编码以区分不同参数,最终得到条件词元token矩阵;
12、所述条件slat流匹配生成模块,基于所述体素占据与部件语义标签,获取噪声填充的激活体素、激活体素的坐标位置编码,结合所述条件词元token矩阵,采用线性概率路径进行流匹配,从高斯噪声逐步演化至数据分布,得到去噪后的slat潜在表示;
13、所述flexicubes解码器,对所述slat潜在表示进行拓扑自适应曲面提取,以预测稀疏体素特征(含sdf值、顶点变形、flexicubes拓扑权重、颜色法向)并进行微调,得到三角网格。
14、进一步地,所述条件slat流匹配生成模块,从高斯噪声出发,在条件词元token矩阵c的引导下,通过稀疏transformer交叉注意力机制的骨干网络,以slat潜在特征作为查询,条件词元token作为键和值,逐步去噪,训练时采用logit-normal时间调度,推理时使用分类器自由引导(cfg)增强条件控制,输出去噪后的slat潜在表示。
15、进一步地,所述分类器自由引导,是在训练时,以概率随机丢弃条件;推理时,基于有条件信息和无条件信息和带噪状态或中间生成状态为输入,构建两个神经网络,并通过引导权重进行结合,以预测最终速度场,实现分类器自由引导的有条件和无条件组合预测。
16、进一步地,所述仿真驱动微调模块包括几何测量模块、cfd气动求解器、多度量自适应校准奖励模块、全局变形预测器、奖励加权流匹配模块;
17、所述几何测量模块,获取所述flexicubes解码器输出的三角网格以计算设备几何参数;
18、所述cfd气动求解器,根据仿真工况计算气动参数;
19、所述多度量自适应校准奖励模块,通过构建奖励函数,针对所述设备几何参数与所述气动参数构成的气动性能参数与所述气动条件参数的物理量纲与误差分布差异,生成奖励值。
20、进一步地,所述多度量自适应校准奖励模块,以训练集样本的气动条件参数计算出每个参数指标的误差范围,将每个气动性能参数与气动条件参数的参数指标误差除以所述误差范围进行归一化,以归一化的参数指标误差的中位数作为中位误差,标定高斯锐度参数,进行加权几何均值聚合,提供有效梯度信号,通过合理调整对各参数指标占整体奖励reward的权重,使所述气动参数指标(攻角、升阻比)权重更高,最终输出标量奖励值。
21、进一步地,所述仿真驱动微调模块还包括全局变形预测器,通过所述slat潜在表示与气动条件,预测径向缩放参数α与上反角弯曲参数β两个全局变形参数的高斯策略分布的均值与对数标准差,应用于所述flexicubes解码器输出的网格顶点,其中,均值通过tanh边界约束,预测过程通过包含ema基线、优势归一化及幅度正则的策略梯度学习进行策略梯度学习,以消除系统性几何偏差。
22、进一步地,所述条件slat流匹配生成模块的注意力层与前馈层注入低秩矩阵适配器(lora);
23、所述仿真驱动微调模块还包括奖励加权流匹配模块,获取所述条件slat流匹配生成模块预测的速度场,构建奖励加权流匹配损失与wasserstein距离(w2距离)正则的联合损失并进行联合优化,以使高奖励样本对速度场学习贡献更大,实现精细气动属性调整,w2距离正则约束调整后速度场与预训练参考速度场的距离,防止灾难性遗忘,最终得到所述lora适配器参数更新,作用于所述条件slat流匹配生成模块的slat潜在表示生成。
24、基于层级流匹配与仿真驱动微调的气动设计方法,根据所述的基于层级流匹配与仿真驱动微调的气动设计系统,进行气动设计。
25、本发明的优势和有益效果在于:
26、本发明通过建立基于八叉树稀疏体素的层级表示方法,在生成过程中同时预测体素占据、部件语义标签(机身、机翼、其他部件)及全局缩放比,使生成的飞行器具有明确的部件级语义结构,从而实现部件级语义感知的三维飞行器生成;
27、本发明通过设计条件化流匹配生成模型,将翼展、机身长度、机翼面积、攻角、升阻比等多维气动参数编码为独立条件token,通过交叉注意力机制注入生成过程,实现从气动性能目标到三维几何的条件映射,进而实现多参数气动条件的精细控制;
28、本发明通过设计两阶段微调策略,在第一阶段使用策略梯度学习全局几何变形参数,在第二阶段使用奖励加权流匹配在潜空间进行精细调整,将不可微cfd求解器的仿真反馈有效融入生成模型优化,消除生成几何与目标性能的系统性偏差,建立了仿真驱动的闭环优化机制;
29、本发明通过构建层级式生成与微调的协同框架,建立了“粗粒度八叉树语义体素生成—精细结构化潜在表示流匹配—全局变形学习—潜空间自适应”的分阶段流程,实现了从结构布局到精细几何、从初始生成到仿真优化的按阶段衔接,提高了生成效率与气动性能达标率。
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