一种基于分层自适应激活函数神经网络的气动优化方法

本发明涉及一种基于分层自适应激活函数神经网络的气动优化方法，属于飞行器气动设计领域。该方法首先利用CST方法构建高超声速飞行器的参数化几何模型，提取出外形控制参数，生成多样化的升力体外形，并基于计算流体力学仿真CFD获取对应的升力系数与阻力系数作为训练样本。通过构建分层自适应激活函数，利用可学习的样条函数替代传统固定激活函数，结合低层参数共享与高层独立优化的分层机制，实现气动参数的非线性高精度映射。训练完成的神经网络能够快速预测不同外形参数的气动性能，替代高成本的计算流体力学仿真重复计算，优化效率能够显著提升。本发明解决了传统方法计算资源消耗大、迭代周期长的技术问题。