买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西北工业大学申请的专利一种基于深度学习的翼型气动力预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115438584B 。

龙图腾网通过国家知识产权局官网在2025-05-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211127807.2，技术领域涉及：G06F30/27；该发明授权一种基于深度学习的翼型气动力预测方法是由孙迪;田洁华;屈峰;白俊强设计研发完成，并于2022-09-16向国家知识产权局提交的专利申请。

本一种基于深度学习的翼型气动力预测方法在说明书摘要公布了：本发明提出一种基于深度学习的翼型气动力预测方法，提取翼型的设计参数、表面压力系数和气动力系数用于神经网络的训练和测试，通过表面压力系数进一步提取翼型的压力特征，作为神经网络的输入，从而预测气动力和翼型设计参数。现有技术相比，使用多层感知器神经网络，构造了翼型气动力预测模型，能够高效准确的获取气动力；而且以翼型压力特征作为输入通过多层感知器模型预测气动力系数和翼型几何外形的方法，避免大量离散点上的流畅变量数值求解，有效提高了翼型气动力预测效率和精度。此外，本发明搭建的卷积自动编解码器和多层感知器神经网络模型，可以刻画更复杂的非线性关系，有助于对翼型压力特征的精确识别和气动力的准确预测。

本发明授权一种基于深度学习的翼型气动力预测方法在权利要求书中公布了：1.一种基于深度学习的翼型气动力预测方法，其特征在于：包括以下步骤：步骤1：生成搭建神经网络需要的样本数据集；所述样本数据集中的参数包括各个翼型样本的翼型设计参数、翼型表面压力系数和气动力系数；步骤2：基于样本数据集搭建并训练深度学习神经网络模型；包括以下过程：步骤2.1：采用卷积神经网络和全连接神经网络搭建一维卷积自动编解码器，以步骤1得到的样本数据集中的翼型表面压力系数作为输入和输出，以提取压力特征；步骤2.2：训练一维卷积自动编解码器：以翼型表面压力系数的均方根误差作为损失函数，利用Adam优化算法对神经网络进行迭代优化，优化目标为损失函数最小，直至训练样本数据集的损失函数不再降低，完成训练；步骤2.3：采用一维卷积自动编解码器提取翼型样本的压力特征，加入到步骤1得到的样本数据集；步骤2.4：采用全连接神经网络搭建第一多层感知器模型，以步骤2.3得到的样本数据集中的翼型压力特征作为输入，以步骤1得到的样本数据集中的翼型气动力系数作为输出；步骤2.5：训练第一多层感知器模型：以翼型气动力系数的均方根误差作为损失函数，利用Adam优化算法对神经网络进行迭代优化，优化目标为损失函数最小，直至训练样本数据集的损失函数不再降低，完成训练；步骤2.6：采用全连接神经网络搭建第二多层感知器模型，以步骤2.3得到的样本数据集中的翼型压力特征作为输入，以步骤1得到的样本数据集中的翼型设计参数作为输出；步骤2.7：训练第二多层感知器模型：以翼型设计参数的均方根误差作为损失函数，利用Adam优化算法对神经网络进行迭代优化，优化目标为损失函数最小，直至训练样本数据集的损失函数不再降低，完成训练；步骤3：将搭建好的深度神经网络用于翼型气动力的快速预测，具体为：以压力特征作为输入，以步骤2.5训练得到的第一多层感知器模型预测气动力系数，以步骤2.7训练得到的第二多层感知器模型预测翼型设计参数，然后通过CST函数，得到翼型几何外形。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。