本发明属于流体力学和深度学习，涉及一种基于扩散模型的高精度翼型流场数据生成方法及系统。
背景技术：
1、航空技术的发展推动了全球贸易和旅游业的发展，加速了信息传播和文化交流，同时在国防和安全领域也发挥着重要作用。高精度流场数据在航空技术的发展中扮演着至关重要的角色，在航空工程中，流场数据能够提供飞行器周围气流速度、压力分布、湍流特性等空气流动的详细信息，这些数据对于优化设计飞行器的外形、改善燃油效率、提高飞行稳定性和降低气动噪音等方面至关重要。所以，高效精准地生成飞行器的翼型流场数据是十分关键的问题。现如今高精度的翼型流场数据计算通常使用传统的流体力学软件进行计算，存在网格设计困难、计算时间长的问题。
2、超分辨率重建是一种通过算法提高图像质量的技术，其目的是通过现有的低分辨率的图像生成接近或等同于高分辨率的图像。超分辨率重建技术是解决cfd仿真中计算复杂度和仿真结果精确度冲突的一种可行方案，即通过使用基于低精度流场数据的超分辨率重建技术模拟cfd求解器的迭代过程，使得由超分辨重建技术计算的高精度数据与cfd计算的高精度数据计算结果误差较小或相同。
3、近年来，扩散模型(diffusionmodel)已经成为深度生成模型中最先进的技术。扩散模型在图像生成任务中打破了gan网络长期以来的统治地位，并且在各个领域均显现出潜力，包括计算机视觉、自然语言处理，时间数据建模、多模态建模、计算化学和医学图像重建等跨学科应用。扩散模型属于深层次网络，在数据特征学习等方面有着十分强大的性能。本发明旨在通过扩散模型实现一种高精度翼型流场数据的生成方法。在提升高精度翼型流场数据计算速度的同时，提高模型的泛化能力。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于扩散模型的高精度翼型流场数据生成方法及系统，该方案将扩散模型应用于翼型流场数据生成领域，将扩散模型强大的特征表征能力用于高精度翼型流场数据的生成中，达到减少高精度翼型流场数据计算时间、提高模型泛化能力的目的。实验结果表明，该方法能够提高翼型流场数据计算效率和泛化能力。
2、为达到上述目的，本发明提供如下技术方案：
3、一种基于扩散模型的高精度翼型流场数据生成方法，该方法包括以下步骤：
4、s1、获取低精度翼型流场数据和高精度翼型流场数据的数据集其中x表示低精度翼型流场数据，y表示高精度翼型流场数据；
5、s2、将高精度翼型流场数据y0通过t次加噪，变为纯噪声数据其中产生隐变量序列(y1，y2，…，yt-1)；
6、s3、在低精度翼型流场数据x的条件下，使用深度神经网络模型学习条件分布pθ(yt-1|yt)对步骤s2中加入噪声进行拟合，通过最小化步骤s2中加入的噪声与神经网络模型预测的噪声对神经网络模型进行训练；
7、s4、使用步骤s3中训练好的神经网络模型，通过对随机噪声yt和低精度翼型流场数据x迭代细化得到与之对应的高精度翼型流场数据y0。
8、进一步，在步骤s1中，使用rans模拟中广泛使用的sa单方程湍流模型，并使用开源cfd求解器openfoam进行求解；使用不同的笛卡尔网格对计算域进行采集，生成不同分辨率的翼型流场数据分别作为低精度流场数据与高精度流场数据作为训练数据，其中翼型流场数据包括特定流速与攻角下的压力场、水平方向速度场和垂直方向速度场。
9、进一步，在步骤s2中，具体包括：
10、s21、为了使得模型更好的提取翼型流场数据集的数据特征，将高精度翼型流场数据y0作为模型的输入；
11、s22、将数据加噪过程定义为马尔科夫链，在马尔可夫链的每一步中，向隐变量yt-1添加方差为βt的高斯噪声，即可产生新的隐变量yt，其中当t＝0时则代表向高精度翼型流场数据中加入噪声；
12、s23、通过t次加噪，原始的高精度翼型流场数据逐渐失去原本的数据特征，变为纯噪声数据
13、进一步，在步骤s3中，具体包括：
14、s31、在步骤s22中加入的随机噪声均为高斯噪声，故仅需要预测加入噪声的均值与方差即可对实现对噪声的预测，首先定义一个条件分布，用于从带噪声的隐变量yt预测yt-1；
15、s32、为了进一步提高翼型流场数据的生成精度，将低精度的翼型流场数据x和隐变量yt作为深度神经网络模型的输入对t时刻的噪声进行预测；
16、s33、针对翼型流场数据的特征，对神经网络模型的结构进行设计，加入可变形卷积提高模型的翼型特征提取能力，加入注意力机制提高流场数据的生成精度，加入残差网络解决模型梯度消失与梯度爆炸的问题；
17、s34、通过最小化神经网络模型的预测噪声与步骤s2中加入的噪声的差对模型进行训练。
18、进一步，在步骤s4中，具体包括：
19、s41、随机生成与高精度翼型流场数据相同大小的高斯噪声并且将yt与低精度翼型流场数据x作为神经网络模型的输入；
20、s42、使用训练好的神经网络模型对t时刻的噪声进行预测得到噪声fθ(yt,x,t)；
21、s43、通过步骤s2中的数据加噪过程进行推导从而通过yt计算隐变量yt-1；
22、s44、重复步骤s42—s43 t次，即可计算得到最终的高精度翼型流场数据y0。
23、本发明还提供了一种基于扩散模型的高精度翼型流场数据生成系统。
24、本发明的有益效果在于：
25、本发明提供的技术方案针对现有技术中存在的问题，主要将扩散模型应用于翼型流场数据生成领域，将强化学习算法以及改进的奖励函数用于搜索深度学习模型各层剪枝率，达到缩小模型大小提高解算速度的目的。实验结果表明，该压缩算法能够同时提高流场预测模型的精度和运行速度。
26、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
1.一种基于扩散模型的高精度翼型流场数据生成方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于扩散模型的高精度翼型流场数据生成方法，其特征在于：在步骤s1中，使用sa单方程湍流模型，并使用开源cfd求解器openfoam进行求解；使用不同的笛卡尔网格对计算域进行采集，生成不同分辨率的翼型流场数据分别作为低精度流场数据与高精度流场数据作为训练数据，其中翼型流场数据包括特定流速与攻角下的压力场、水平方向速度场和垂直方向速度场。
3.根据权利要求2所述的一种基于扩散模型的高精度翼型流场数据生成方法，其特征在于：在步骤s2中，具体包括：
4.根据权利要求3所述的一种基于扩散模型的高精度翼型流场数据生成方法，其特征在于：在步骤s3中，具体包括：
5.根据权利要求4所述的一种基于扩散模型的高精度翼型流场数据生成方法，其特征在于：在步骤s4中，具体包括：
6.一种基于扩散模型的高精度翼型流场数据生成系统，其特征在于：该系统采用如权利要求1至5中任一项所述方法。
