基于门控扩散模型的飞行器气动性能预测与反设计

doi:10.7527/S1000-6893.2024.31183

飞行器设计生成式模型专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于门控扩散模型的飞行器气动性能预测与反设计

楼锦华¹^,², 陈荣钱¹(), 柳家齐¹, 鲍越¹, 吴昊¹, 尤延铖¹

^1.厦门大学航空航天学院，厦门 361005
^2.厦门大学人工智能研究院，厦门 361005

收稿日期:2024-09-10 修回日期:2024-10-12 接受日期:2024-11-15 出版日期:2024-12-02 发布日期:2024-11-29
通讯作者: 陈荣钱 E-mail:rqchen@xmu.edu.cn

Aircraft aerodynamic performance prediction and inverse design based on a gated diffusion model

Jinhua LOU¹^,², Rongqian CHEN¹(), Jiaqi LIU¹, Yue BAO¹, Hao WU¹, Yancheng YOU¹

^1.School of Aerospace Engineering，Xiamen University，Xiamen 361005，China
^2.Institute of Artificial Intelligence，Xiamen University，Xiamen 361005，China

Received:2024-09-10 Revised:2024-10-12 Accepted:2024-11-15 Online:2024-12-02 Published:2024-11-29
Contact: Rongqian CHEN E-mail:rqchen@xmu.edu.cn

摘要/Abstract

摘要：

针对传统深度学习模型在三维飞行器超声速条件下反设计中的收敛困难，提出了一种基于先验预测模型引导的生成式门控去噪扩散概率模型（DDPM）。该模型通过门控机制，集成了气动性能预测与飞行器外形反设计的功能，旨在提高预测精度、反设计效率，同时克服传统模型在处理高度非线性问题时的训练挑战。通过构建深度神经网络（DNN）作为先验预测模型，以获取初步的气动性能预测、几何外形估计。基于这些初步结果，门控DDPM结合DNN的预测信息，利用扩散、逆扩散过程来生成设计结果。扩散过程逐步添加高斯噪声，逆扩散过程则恢复数据分布，这一机制提升了模型在复杂气动设计任务中的收敛性、预测准确性。基于轴对称飞行器数据集，验证了门控DDPM在气动性能预测、反设计中的有效性。相比先验模型，门控DDPM在反设计任务中能够将大多数气动参数的相对误差控制在0.75%内，显著优于DNN模型。结果表明，所提方法有效提高了飞行器设计中的气动性能预测、外形反设计的精度。

关键词: 飞行器反设计, 去噪扩散概率模型, 气动性能预测, 门控机制, 生成式模型

Abstract:

To address the convergence challenges faced by traditional deep learning models in the inverse design of three-dimensional aircraft under supersonic conditions， a generative gated Denoising Diffusion Probabilistic Model （DDPM） based on a priori prediction model guidance is proposed. This model integrates aerodynamic performance prediction and aircraft shape inverse design through the gating mechanism， aiming to enhance both prediction accuracy and design efficiency while overcoming the training difficulties encountered in handling highly nonlinear problems with traditional models. A Deep Neural Network （DNN） is constructed to serve as the a priori prediction model to obtain preliminary aerodynamic performance predictions and geometric shape estimates. Based on these initial results， the gated DDPM uses the predictive information from the DNN and employs diffusion and reverse diffusion processes to generate design outcomes. In this process， Gaussian noise is gradually added during the diffusion phase， and data distribution is restored in the reverse diffusion phase. This mechanism enhances both convergence and predictive accuracy in complex aerodynamic design tasks. The effectiveness of the gated DDPM is validated using an axisymmetric aircraft dataset. Compared to the prior model， the gated DDPM can control the relative error of most aerodynamic parameters within 0.75% in inverse design tasks， significantly outperforming the DNN model. The results demonstrate that the proposed method can effectively enhance the accuracy of aerodynamic performance prediction and shape inverse design in aircraft design.

Key words: aircraft inverse design, denoising diffusion probabilistic model, aerodynamic performance prediction, gated mechanism, generative model

中图分类号:

V221.3

楼锦华, 陈荣钱, 柳家齐, 鲍越, 吴昊, 尤延铖. 基于门控扩散模型的飞行器气动性能预测与反设计[J]. 航空学报, 2025, 46(10): 631183.

Jinhua LOU, Rongqian CHEN, Jiaqi LIU, Yue BAO, Hao WU, Yancheng YOU. Aircraft aerodynamic performance prediction and inverse design based on a gated diffusion model[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(10): 631183.

图/表 18

图 1

图 2

表 1

图 3

图 4

图 5

图 6

表 2

外形设计变量的定义和范围

设计变量	定义	下限/m	上限/m	基准/m
$L N$	鼻锥长度			0.49
$L$	轴向长度			3.69
$D$	机身直径			0.18
$L W$	前十字舵轴向位置	1.2	1.8	1.72
$C R W$	前十字舵根弦长	0.1	0.4	0.23
$C T W$	前十字舵梢弦长	0	0.09	0.06
$B W$	前十字舵展长	0.1	0.3	0.23
$L F$	后十字舵轴向位置	3.0	3.2	3.2
$C R F$	后十字舵根弦长	0.1	0.4	0.38
$C T F$	后十字舵梢弦长	0	0.25	0.19
$B F$	后十字舵展长	0.1	0.3	0.22

表 2

图 7

表 3

不同方法预测气动性能的误差对比

数据集	气动参数	MAE/ $10 - 3$					相对误差/%
数据集	气动参数	配置1	配置2	配置3	配置4	配置5	配置1	配置2	配置3	配置4	配置5
训练集	$C N$	8.81	7.54	5.02	4.78	6.58	0.82	0.68	0.45	0.45	0.61
	$C m$	3.36	2.66	1.27	1.09	2.22	5.84	4.38	2.12	1.77	2.92
	$C A$	0.67	0.67	0.52	0.48	0.56	0.23	0.22	0.18	0.16	0.18
	$C L$	9.42	7.46	4.91	4.58	6.40	0.91	0.69	0.45	0.42	0.61
	$C D$	1.50	1.28	1.32	1.95	1.23	0.38	0.32	0.33	0.50	0.31
	$X c p$	3.47	2.06	1.31	1.10	1.41	0.69	0.42	0.26	0.22	0.28
测试集	$C N$	9.02	7.71	5.50	5.35	6.73	0.84	0.69	0.49	0.51	0.63
	$C m$	3.45	2.74	1.45	1.23	2.41	5.60	4.38	2.46	1.94	3.43
	$C A$	0.72	0.70	0.57	0.52	0.60	0.24	0.23	0.19	0.17	0.20
	$C L$	9.85	8.02	5.36	5.16	6.75	0.95	0.74	0.49	0.48	0.64
	$C D$	1.53	1.33	1.44	2.02	1.32	0.39	0.34	0.36	0.52	0.33
	$X c p$	3.48	2.09	1.50	1.21	1.55	0.69	0.42	0.30	0.24	0.31

表 3

图 8

表 4

不同方法的反设计几何外形参数误差对比

数据集	外形参数	MAE/ $10 - 3$					相对误差/%
数据集	外形参数	配置1	配置2	配置3	配置4	配置5	配置1	配置2	配置3	配置4	配置5
训练集	$L W$	15.30	14.20	12.30	11.90	9.80	1.04	0.96	0.83	0.81	0.66
	$C R W$	8.34	8.58	6.55	5.99	4.93	3.86	3.95	2.88	2.66	2.20
	$C T W$	2.39	2.36	2.38	2.04	1.55	12.40	11.90	11.10	10.20	7.59
	$B W$	5.36	5.37	2.85	2.49	2.00	2.79	2.79	1.45	1.27	1.01
	$L F$	6.17	5.87	6.23	5.10	3.78	0.20	0.19	0.20	0.16	0.12
	$C R F$	7.71	8.11	6.78	6.08	4.24	3.29	3.49	2.79	2.53	1.75
	$C T F$	7.03	6.88	5.66	5.45	3.95	19.30	18.40	13.80	13.70	9.68
	$B F$	5.27	5.33	2.82	2.51	1.61	2.87	2.90	1.49	1.33	0.86
测试集	$L W$	21.80	21.30	19.20	17.20	16.10	1.51	1.47	1.32	1.18	1.10
	$C R W$	11.40	11.70	9.58	8.60	8.02	5.13	5.29	4.09	3.71	3.49
	$C T W$	3.51	3.52	3.32	2.96	2.46	17.60	17.8	14.70	13.70	11.90
	$B W$	5.77	5.82	3.45	3.09	2.68	3.01	3.03	1.73	1.56	1.35
	$L F$	8.64	8.55	8.41	7.38	5.93	0.28	0.28	0.27	0.24	0.19
	$C R F$	10.60	10.80	9.28	8.22	6.36	4.72	4.74	3.93	3.51	2.74
	$C T F$	9.19	9.02	7.66	7.30	6.28	25.40	24.20	19.20	17.30	16.30
	$B F$	5.99	6.11	3.42	2.97	2.34	3.23	3.28	1.78	1.56	1.22

表 4

图 9

图 10

图 11

表 5

不同反设计方法生成外形的气动性能误差对比

数据集	气动参数	MAE/ $10 - 3$					相对误差/%
数据集	气动参数	配置1	配置2	配置3	配置4	配置5	配置1	配置2	配置3	配置4	配置5
训练集	$C N$	25.80	26.00	13.70	10.00	6.86	2.34	2.37	1.25	0.91	0.61
	$C m$	7.68	7.76	3.43	3.30	2.20	21.40	21.50	8.80	8.47	5.77
	$C A$	2.31	2.31	1.29	0.89	0.60	0.79	0.79	0.44	0.30	0.20
	$C L$	25.50	25.70	13.50	9.92	6.79	2.38	2.40	1.27	0.92	0.62
	$C D$	4.55	4.57	2.45	1.70	1.14	1.15	1.16	0.62	0.43	0.29
	$X c p$	6.92	7.00	3.14	2.96	1.90	1.43	1.45	0.66	0.61	0.39
测试集	$C N$	27.80	27.80	14.10	11.20	8.20	2.52	2.53	1.27	1.00	0.73
	$C m$	8.38	8.56	3.67	3.62	2.60	20.70	19.90	8.29	8.28	5.72
	$C A$	2.47	2.47	1.38	0.96	0.66	0.84	0.84	0.47	0.32	0.22
	$C L$	27.40	27.50	14.00	11.10	8.12	2.56	2.57	1.29	1.01	0.75
	$C D$	4.90	4.92	2.57	1.85	1.32	1.24	1.25	0.64	0.47	0.33
	$X c p$	7.63	7.81	3.28	3.24	2.25	1.59	1.63	0.69	0.67	0.46

表 5

图 12

表 6

参考文献 34

1	王清，招启军. 基于遗传算法的旋翼翼型综合气动优化设计［J］. 航空动力学报， 2016， 31（6）： 1486-1495.
	WANG Q， ZHAO Q J. Synthetical optimization design of rotor airfoil by genetic algorithm［J］. Journal of Aerospace Power， 2016， 31（6）： 1486-1495 （in Chinese）.
2	张淼，刘铁军，马涂亮，等. 基于CFD方法的大型客机高速气动设计［J］. 航空学报， 2016， 37（1）： 244-254.
	ZHANG M， LIU T J， MA T L， et al. High speed aerodynamic design of large civil transporter based on CFD method‍［J］. Acta Aeronautica et Astronautica Sinica， 2016， 37（1）： 244-254 （in Chinese）.
3	赵童，张宇飞，陈海昕，等. 面向三维机翼性能的超临界翼型优化设计方法［J］. 中国科学：物理学力学天文学， 2015， 45（10）： 89-101.
	ZHAO T， ZHANG Y F， CHEN H X， et al. Aerodynamic optimization method of supercritical airfoil geared to the performance of swept and tapered wing［J］. Scientia Sinica （Physica， Mechanica & Astronomica）， 2015， 45（10）： 89-101 （in Chinese）.
4	李焦赞，高正红，詹浩. 基于目标压力分布优化的翼型反设计方法研究［J］. 弹箭与制导学报， 2008， 28（1）： 187-190.
	LI J Z， GAO Z H， ZHAN H. Study on inverse design method of airfoil based on optimizati on of target pressure distribution［J］. Journal of Projectiles， Rockets， Missiles and Guidance， 2008， 28（1）： 187-190 （in Chinese）.
5	DULIKRAVICH G. Shape inverse design and optimization for three-dimensional aerodynamics［C］∥ 33rd Aerospace Sciences Meeting and Exhibit. Reston： AIAA， 1995： 695.
6	YU Y， LYU Z J， XU Z L， et al. On the influence of optimization algorithm and initial design on wing aerodynamic shape optimization‍［J］. Aerospace Science and Technology， 2018， 75： 183-199.
7	吴明雨，陈志华，邱志明，等. 条件生成对抗网络的翼型反设计方法［J］. 宇航学报， 2023， 44（10）： 1512-1521.
	WU M Y， CHEN Z H， QIU Z M， et al. An inverse design method of airfoil using conditional generative adversarial network‍［J］. Journal of Astronautics， 2023， 44（10）： 1512-1521 （in Chinese）.
8	陈树生，冯聪，张兆康，等. 基于全局/梯度优化方法的宽速域乘波-机翼布局气动设计［J］. 航空学报， 2024， 45（6）： 629596.
	CHEN S S， FENG C， ZHANG Z K， et al. Aerodynamic design of wide-speed-range waverider-wing configuration based on global & gradient optimization method［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（6）： 629596 （in Chinese）.
9	LI J C， DU X S， MARTINS J R R A. Machine learning in aerodynamic shape optimization［J］. Progress in Aerospace Sciences， 2022， 134： 100849.
10	陈海昕，邓凯文，李润泽. 机器学习技术在气动优化中的应用［J］. 航空学报， 2019， 40（1）： 522480.
	CHEN H X， DENG K W， LI R Z. Utilization of machine learning technology in aerodynamic optimization［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（1）： 522480 （in Chinese）.
11	张伟伟，寇家庆，刘溢浪. 智能赋能流体力学展望［J］. 航空学报， 2021， 42（4）： 524689.
	ZHANG W W， KOU J Q， LIU Y L. Prospect of artificial intelligence empowered fluid mechanics‍［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42‍（4）： 524689 （in Chinese）.
12	孙刚，王聪，王立悦，等. 人工智能在气动设计中的应用与展望［J］. 民用飞机设计与研究， 2021（3）： 1-9， 147.
	SUN G， WANG C， WANG L Y， et al. Application and prospect of artificial intelligence in aerodynamic design［J］. Civil Aircraft Design & Research， 2021（3）： 1-9， 147 （in Chinese）.
13	柳家齐，陈荣钱，楼锦华，等. 基于深度学习的高速直升机旋翼翼型气动优化设计［J］. 航空学报， 2024， 45（9）： 529828.
	LIU J Q， CHEN R Q， LOU J H， et al. Aerodynamic shape optimization of high-speed helicopter rotor airfoil based on deep learning［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（9）： 529828 （in Chinese）.
14	赵欢，高正红，夏露. 基于新型高维代理模型的气动外形设计方法［J］. 航空学报， 2023， 44（5）： 136-152.
	ZHAO H， GAO Z H， XIA L. Aerodynamic shape design optimization method based on novel high-dimensional surrogate model［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（5）： 136-152 （in Chinese）.
15	WANG Y Q， LIU T Y， ZHANG D， et al. Dual-convolutional neural network based aerodynamic prediction and multi-objective optimization of a compact turbine rotor‍［J］. Aerospace Science and Technology， 2021， 116： 106869.
16	王超杰，何磊，李川，等. 基于注意力机制的翼型反设计方法［J］. 航空动力学报， 2025， 40（1）： 20230106.
	WANG C J， HE L， LI C，et al. Airfoil reverse design method based on self-attention mechanism‍［J］. Journal of Aerospace Power， 2025， 40（1）： 20230106 （in Chinese）.
17	SEKAR V， ZHANG M Q， SHU C， et al. Inverse design of airfoil using a deep convolutional neural network［J］. AIAA Journal， 2019， 57（3）： 993-1003.
18	CHEN S S， QIU J Y， YANG H， et al. Deep learning for inverse design of low-boom supersonic configurations［J］. Advances in Aerodynamics， 2023， 5（1）： 13.
19	KUMAR A， VADLAMANI N R. Inverse design of airfoils using convolutional neural network and deep neural network［C］‍∥ASME 2021 Gas Turbine India Conference. New York： ASME 2021.
20	TYAN M， CHOI C K， NGUYEN T A， et al. Rapid airfoil inverse design method with a deep neural network and hyperparameter selection［J］. International Journal of Aeronautical and Space Sciences， 2023， 24（1）： 33-46.
21	WU H Z， LIU X J， AN W， et al. A generative deep learning framework for airfoil flow field prediction with sparse data［J］. Chinese Journal of Aeronautics， 2022， 35（1）： 470-484.
22	YANG Y J， LI R Z， ZHANG Y F， et al. Flowfield prediction of airfoil off-design conditions based on a modified variational autoencoder［J］. AIAA Journal， 2022， 60（10）： 5805-5820.
23	WANG Y Y， SHIMADA K， BARATI FARIMANI A. Airfoil GAN： Encoding and synthesizing airfoils for aerodynamic shape optimization［J］. Journal of Computational Design and Engineering， 2023， 10（4）： 1350-1362.
24	HO J， JAIN A， ABBEEL P， et al. Denoising diffusion probabilistic models［C］∥Proceedings of the 34th International Conference on Neural Information Processing Systems. New York： ACM， 2020： 6840-6851.
25	HO J， SAHARIA C， CHAN W， et al. Cascaded diffusion models for high fidelity image generation［J］. Journal of Machine Learning Research， 2022， 23（1）： 2249-2281.
26	XIA B， ZHANG Y L， WANG S Y， et al. DiffIR： efficient diffusion model for image restoration‍［C］‍∥2023 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2023： 13049-13059.
27	YANG H， JUNPENG Z， CHUNYU G， et al. A flow field super-resolution reconstruction method based on diffusion model［J］. Chinese Journal of Theoretical and Applied Mechanics， 2023， 55（10）： 2309-2320.
28	SHU D L， LI Z J， BARATI FARIMANI A. A physics-informed diffusion model for high-fidelity flow field reconstruction‍［J］. Journal of Computational Physics， 2023， 478： 111972.
29	徐志昂，骆嘉晨，丁相贵，等. 基于扩散模型的高阶拓扑绝缘体实时设计［J］. 力学学报， 2024， 56（7）： 1840-1848.
	XU Z A， LUO J C， DING X G， et al. Real-time design of higher-order topological insulators by diffusion model［J］. Chinese Journal of Theoretical and Applied Mechanics， 2024， 56（7）： 1840-1848 （in Chinese）.
30	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］∥Proceedings of the 31st International Conference on Neural Information Processing Systems. New York： ACM， 2017： 6000- 6010.
31	SOOY T J， SCHMIDT R Z. Aerodynamic predictions， comparisons， and validations using missile DATCOM （97） and aeroprediction 98 （AP98）［J］. Journal of Spacecraft and Rockets， 2005， 42（2）： 257-265.
32	YAN X H， ZHU J H， KUANG M C， et al. Aerodynamic shape optimization using a novel optimizer based on machine learning techniques［J］. Aerospace Science and Technology， 2019， 86： 826-835.
33	WU P， YUAN W Y， JI L L， et al. Missile aerodynamic shape optimization design using deep neural networks［J］. Aerospace Science and Technology， 2022， 126： 107640.
34	PAN S J， YANG Q. A survey on transfer learning［J］. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）： 1345-1359.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

网络层	输入，输出	激活函数	乘法量	总计（任务）
隐藏层1	（（2+8），64）	SELU	10×64+64	124 678 （正设计）
隐藏层2	（64，256）	SELU	64×256+256
隐藏层3	（256，256）	SELU	256×256+256
隐藏层4	（256，128）	SELU	256×128+128
隐藏层5	（128，64）	SELU	128×64+64
输出层	（64，6）		64×6+6
隐藏层1	（（2+6），64）	SELU	8×64+64	124 680 （反设计）
隐藏层2	（64，256）	SELU	64×256+256
隐藏层3	（256，256）	SELU	256×256+256
隐藏层4	（256，128）	SELU	256×128+128
隐藏层5	（128，64）	SELU	128×64+64
输出层	（64，8）		64×8+8

方法	正设计训练	反设计训练	生成20个外形
配置1	982 s （GPU1）	72 h （GPU1）	1.80 s
配置2	549 s	581 s	1.80 s
配置3	1 708 s	1 948 s	1.82 s
配置4	5 h	5 h 50 min	8.77 s
配置5	5 h （GPU1）		8.43 s
遗传算法			4 594 s （CPU）

[1]	杜皆诚饶寒月杨体浩艾俊强陈艺夫史亚云白俊强. 设计空间几何过滤与流形重构增强的层流翼梯度优化设计方法[J]. 航空学报, 0, (): 1-0.
[2]	史亚云季昕泽杨体浩李军府吴鹏飞谢露冯凯旋. 超声速层流翼自主标模转捩预测及不确定性分析[J]. 航空学报, 0, (): 1-0.
[3]	郭翔鹰, 许杰, 黄永畅. 较大尺度波长结节翼在临界角附近的特性分析[J]. 航空学报, 2024, 45(S1): 730557-730557.
[4]	陈树生, 贾苜梁, 刘衍旭, 高正红, 向星皓. 变体飞行器变形方式及气动布局设计关键技术研究进展[J]. 航空学报, 2024, 45(6): 629595-629595.
[5]	刘柳, 向先宏, 张宇飞, 陈海昕, 魏闯, 朱剑, 杨普. 一种高升阻比非常规翼身融合燕尾气动布局[J]. 航空学报, 2024, 45(6): 629630-629630.
[6]	昌敏, 孙杨, 白俊强, 孟晓轩. 平角旋转机构约束的管射无人机二次折叠翼气动优化设计[J]. 航空学报, 2022, 43(11): 526331-526331.
[7]	曹凡, 张美芳, 胡骁, 唐智礼. 轴对称短舱自然层流优化及转捩敏感性分析[J]. 航空学报, 2022, 43(11): 527330-527330.
[8]	郭向东, 柳庆林, 刘森云, 王梓旭, 李明. 结冰风洞中过冷大水滴云雾演化特性数值研究[J]. 航空学报, 2020, 41(8): 123655-123655.
[9]	李春娜, 张阳康. 一种适用于气动优化的高效自适应全局优化方法[J]. 航空学报, 2020, 41(5): 623352-623352.
[10]	李正洲, 高昌, 肖天航, 马自成, 肖济良, 朱建辉. 超/高超声速飞行器动态稳定性导数极快速预测方法[J]. 航空学报, 2020, 41(4): 123545-123545.
[11]	李正洲高昌肖天航马志成肖济良朱建辉. 超/高超声速飞行器动态稳定性导数极快速预测方法研究[J]. 航空学报, 0, (): 0-0.
[12]	郭向东, 王梓旭, 李明, 刘蓓. 结冰风洞中液滴相变效应数值模拟[J]. 航空学报, 2018, 39(3): 121586-121586.
[13]	郭向东, 王梓旭, 李明, 肖春华. 结冰风洞中液滴过冷特性数值研究[J]. 航空学报, 2017, 38(10): 121254-121254.
[14]	齐中阳, 王延奎, 王磊, 沙永祥. 头部和后体对钝头体侧向力的影响[J]. 航空学报, 2017, 38(9): 121117-121117.
[15]	鞠胜军, 阎超, 叶志飞. γ-Re_θt-CF转捩模型在Spalart-Allmaras湍流模型中的推广及验证[J]. 航空学报, 2017, 38(4): 120383-120383.

基于门控扩散模型的飞行器气动性能预测与反设计

Aircraft aerodynamic performance prediction and inverse design based on a gated diffusion model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 34

相关文章 15

编辑推荐

Metrics

本文评价