一种基于深度神经网络的流体动力作用表面变形计算方法

本发明提出一种基于深度神经网络的流体动力作用表面变形计算方法，将流体特性与固体特征参数作为输入数据，将有限元计算表面升力作用的表面变形作为输出数据，所构建的数据集作为神经网络训练样本，训练神经网络行程相应输入与输出量的非线性高次映射关系。该方法利用机器学习建立流体特性和固体特征参数与流‑固耦合场物理参数的映射关系，能够降低建立复杂模型的难度，提高建立统一设计流程的效率，可以推广至不同的输出物理量，对于求解非线性强、方程形式复杂的物理模型提供新的方法，为进一步分析复杂流体与复杂表面的流固耦合现象的流体力学规律提供新的思路。