一种基于不确定性特征增强的空气动力学形状优化点云重建方法

形状表示的精度和设计空间的维度显著影响空气动力学优化的成本和结果。通过在保持几何精度的同时降低维度，可以更紧凑地表示设计空间，从而提高优化过程的成本效益。本研究提出了一种新的点云自编码器架构，称为 AE-BUFE，旨在通过对表面网格点之间变形关系的不确定性分析，获得高效且精确的三维飞行器广义表示。该深度学习架构由两部分组成：基于不确定性指数的特征增强模块和点云自编码器模块。它学习点云几何表示的形状特征，以建立低维潜空间。为了评估该方法的效率，在复杂形状变形条件下，将其与主流的点云自编码器架构和本征正交分解（POD）线性降维方法进行了比较。结果表明，新架构显著提高了低维潜空间的提取效果。然后，我们基于 AE-BUFE 参数化方法开发了 SBO 优化框架，并在考虑体积和力矩约束的条件下完成了宽速域飞行器的多目标空气动力学优化设计。在确保起降性能的同时，提升了跨声速和高超声速条件下的空气动力学性能，验证了该方法的有效性和工程实用性。