基于迁移学习的点云机翼气动性能预测OA

当前机翼设计阶段获取大量机翼气动性能需要巨大成本,因此亟需发展一种可以高效且较为准确地获取机翼气动性能数据的方法。以低速双梯形机翼为研究对象,通过OpenVSP和CFD构建低亚声速飞行条件下的机翼数据集,基于此数据集设计了点云机翼气动性能耦合预测网络(PointNet-AP),并利用高低精度数据进行迁移学习。PointNet-AP以机翼点云数据、传统平面特征以及飞行条件为输入,预测机翼对应飞行条件下的升力系数(C_(L))、阻力系数(C_(D))和俯仰力矩系数(C_(m))。实验结果表明,迁移学习后的PointNet-AP网络模型对机翼气动性能有较好的预测能力,C_(L)、C_(D)和C_(m)的平均相对预测误差分别为2.889%、4.728%和6.743%。本文所提出的预测网络可为后续气动性能预测大模型的开发提供数据特征提取和模型迁移的技术基础。