使用深度残差网络的乘波体气动性能预测

简介

本文探究深度学习人工智能技术在飞行器气动外形预测中的应用。以激波装配法乘波体设计为背景，建立气动数据快速生成工具，使用拉丁超立方采样得到海量样本数据。使用深度残差神经网络构建气动外形参数到气动性能数据的代理模型，并与随机森林和双隐层神经网络等普通机器学习模型对比;同时将数据转换为图片，研究基于图片识别的深度学习模型搭建，省略飞行器外形的参数化表达。测试结果说明，深度残差网络作为数据代理模型的精度是随机森林和双隐层神经网络的3倍以上，而基于图片识别的代理模型精度提高有限。研究表明，深度残差网络在乘波体等易于生成大量数据的气动外形的性能预测中效果明显，为深度学习技术在气动外形设计中的应用奠定了基础。