本发明设计计算流体力学(cfd)领域，具体涉及一种基于特征分解的飞行器翼型流场快速预测方法。
背景技术：
1、随着航空航天事业的发展，对飞行器的设计能力提出了更高的要求，翼型的气动性能分析变得尤为重要，传统的计算流体力学(cfd)方法通常需要大量的计算时间和计算资源，这在快速迭代的设计和优化中往往是不可行的。近年来有许多尝试通过简化模型来加快流场预测，但往往以牺牲精度为代价，而这在精细的气动性能评估中是不被接受的。
2、另一方面，基于机器学习的代理模型，已被证明在减少计算成本和时间方面具有显著效果。但在处理复杂非线性问题时，仍然面临着数据处理和模型训练的挑战，为了有效利用流场数据并提升预测模型的性能，需要一个能够提取流场特征的方法。
3、在这种背景下，本发明提出了一种结合奇异值分解(svd)和深度学习的流场快速预测方法。通过奇异值分解，我们可以从流场数据中提取出最重要的特征，这些特征或模态可以捕捉到流场的主要动力学行为。随后，利用深度神经网络，基于这些核心特征建立起来流条件与流场响应之间的非线性映射关系。这种方法旨在解决高精度流场模拟的高计算成本和时间消耗问题，而不会牺牲所需的精度，从而为翼型的快速设计和优化提供可靠支持。
技术实现思路
1、本发明解决的技术问题：提供的一种基于奇异值分解(svd)的适用于飞行器翼型流场快速预测方法，针对来流变换飞行器翼型的流场预测，具有一定的针对性，因此能够快速实现对同一飞行器翼型不同来流情况下的流场数据预测，大量减少了流场计算所需的成本及时间，在保证流场预测精度的同时，大大加快了飞行器翼型流场数据的计算时间，适用于飞行器翼型气动性能分析与优化等实际问题。
2、为了达到上述发明目的，本发明采用的技术方案为：
3、本发明提供一种融入自编码信息的多保真建模方法，包括如下步骤：
4、s1.选择naca0012为基础翼型，改变来流条件(攻角、雷诺数)，使用cfd进行数值模拟，构建样本数据集；
5、s2.将样本数据集归一化处理；
6、s3.对归一化后的数据进行奇异值分解，得到pod基模态，并将数据投影到pod基模态上；
7、s4.训练深度神经网络dnn，构建攻角、马赫到基模态系数的模型；
8、s5.使用深度神经网络dnn建立的模型用于变来流的翼型流场快速预测；
9、本发明的有益效果为：本发明提供一种基于奇异值分解的飞行器翼型流场快速预测方法，解决了在飞行器翼型优化设计中，流场数据获取成本高、时间长的问题，同时也保持了流场的精度。
1.一种基于特征分解的飞行器翼型流场快速预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于特征分解的飞行器翼型流场快速预测方法，其特征在于所述构建数据集，具体包括：
3.根据权利要求1所述一种基于特征分解的飞行器翼型流场快速预测方法，其特征在于数据归一化，具体包括：
4.根据权利要求1所述一种基于特征分解的飞行器翼型流场快速预测方法，其中特征在于奇异值分解，具体包括：
5.根据权利要求1所述一种基于特征分解的飞行器翼型流场快速预测方法，其特征在于所述使用数据集构建攻角、马赫到基模态系数的模型，具体包括：
6.根据权利要求1所述一种基于特征分解的飞行器翼型流场快速预测方法，其特征在于对翼型流场进行预测，具体包括：
