CN111563297A - 一种基于bp网络的超声速飞行器热环境计算方法 - Google Patents
一种基于bp网络的超声速飞行器热环境计算方法 Download PDFInfo
- Publication number
- CN111563297A CN111563297A CN202010375776.7A CN202010375776A CN111563297A CN 111563297 A CN111563297 A CN 111563297A CN 202010375776 A CN202010375776 A CN 202010375776A CN 111563297 A CN111563297 A CN 111563297A
- Authority
- CN
- China
- Prior art keywords
- calculation
- equation
- neural network
- data
- different
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 13
- 238000013461 design Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Fluid Mechanics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
气动热环境的预测是超声速飞行器和发动机设计的重要组成部分,传统气动热预测主要是通过数值计算方法求解N‑S方程,虽然精度高,但耗时、耗费资源。本发明提出一种智能计算N‑S方程的方法。具体步骤如下:步骤一、收集不同外形飞行器的数值计算数据;步骤二、按照空间维度对计算数据分类,分别推导对应的N‑S方程;步骤三、构建与训练BP神经网络;步骤四、利用BP神经网络智能求解N‑S方程;步骤五、输出智能计算结果。本发明提出的方法具有自适应能力,可极大地提升N‑S方程的计算效率,对防热结构的设计和高超声速飞行器的飞行安全有十分重要的意义。
Description
技术领域
本发明是一种超声速飞行器气动热环境预测领域的技术,具体是一种新型的气动热预测的智能计算方法。
背景技术
目前高超声速飞行器是各国军事航天领域研究的重点,如第四代第五代战机,其可以实现快速精准的打击,在未来战争中具有极强的威慑力。对于高超声速飞行器的设计来讲高超声速飞行条件下飞行器的热防护问题一直是高超声速飞行器研制的关键技术。作为热防护结构设计和材料选取的设计依据,高超声速飞行器表面的气动热问题一直是高超声速技术研究的重点和关键技术。因此,对飞行器气动热环境准确预测是气动热领域的重要基础工作,对防热结构设计的合理性和高超声速飞行器的飞行安全有着十分重要的意义。
气动热预测常用的手段之一是数值计算,数值计算的过程其实就是求解N-S方程,其预测结果精度高,但是由于计算过程的复杂性,耗时时间长,耗费大量计算资源,在某些复杂飞行器设计过程中,会扩大研制周期。因此,发明一种计算速度快、精度损失很小的气动热预测新方法对飞行器设计有重要意义。
机器学习是一种数据驱动的预测方法,并在图像、自然语言处理领域取得了显著成效。其中人工神经网络在求解非线性物理方程方面具有极大的优势,在一些领域已经获得成功。将人工神经网络应用在数值计算当中,可以代替传统求解N-S方程的方法,极大的缩短计算时间,同时又保证了计算精度。因此本发明能快速、高效地进行高超声速飞行器气动热预测,对高超声速飞行器研制意义重大。
发明内容
本发明要解决的问题在于:数值计算具有计算时间长、计算资源耗费量大的特点。
为解决上述问题,本发明对不同算例的数值计算数据进行分类,推导对应的N-S方程,使用计算BP神经网络智能求解N-S方程,得到最终的预测结果。具体方案如下:
第一方面,本发明对所有算例数值计算得到的数据集,按照空间维度,对数据集分类,生成不同维度的特定数据集,存储在数据库中。
第二方面,对不同维度的特定数据集计算所采用的N-S方程进一步推导,得到方便构建网络的N-S方程。
第三方面,利用推导后的N-S方程构建计算BP神经网络,并利用不同维度的数据集训练网络,本发明设计的计算BP神经网络结构如图2,包括:
两个网络层和一个模块,两个网络层分别是输入层和输出层;一个模块是物理特征学习模块,根据数据处理的先后次序,其网络架构由底向上分别是输入层、物理特征学习模块、输出层。
第四方面,结合第三方面构建的计算BP神经网络得到智能计算结果,完成气动热预测。从以上技术方案以及实验结果发现,本发明实施例具有以下优点:
对气动热数值计算数据进行预先的分类处理可以方便后续流程进行,降低对最终预测结果的影响,然后对计算时所用的N-S方程进行推导后,构建计算BP神经网络智能求解N-S方程,最终输出气动热预测结果。训练好的计算BP神经网络具有良好的自适应性,而且预测精度高,在计算速度和计算资源消耗方面取得了突破性的成果,节约了大量的时间和成本。
附图说明
为了更清楚地说明本发明实施例中的技术发明方案,下面将对实施例或现有技术描述中所需要使用的附图做简单说明,显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为气动热预测流程图。
图2为计算BP神经网络结构图。
图3为实施方案气动热预测流程图。
图4为球头飞行器计算网格。
具体实施方式
发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图3所示,本实施例的主要步骤包括:第一步,获取数值计算数据;第二步,推导N-S方程;第三步,构建计算BP神经网络;第四步,智能求解N-S方程;第五步,输出预测结果具体实施步骤如下:
步骤1,获取球头飞行器模型的数值计算数据;
步骤1.1:确定球头模型的来流条件和边界条件,来流条件如下:
模型所处流场为层流,飞行马赫数为2Ma,飞行器攻角为0度,雷诺数为1.657E+05,等壁温且壁温为300K。
步骤1.2:N-S方程可以描述流体流动情况,通过求解可压缩守恒型N-S方程来计算模拟球头模型表面的气动热环境,可压缩守恒型N-S方程具体形式如下:
步骤1.3:利用数值计算方法对可压缩守恒型N-S方程进行变换,以方便编写计算程序,变换后的方程形式如下:
其中:
步骤1.4:划分计算网格,网格结构如图4,编写计算程序求解N-S方程,得到球头表面的气动热环境的数值计算数据。
步骤2,推导N-S方程;
步骤2.1:步骤1中的N-S方程形式对于数值计算非常适合,但是不适合BP神经网络的搭建,因此,针对球头飞行器模型,推导N-S方程,具体推导过程如下:
连续介质运动方程、流体的本构方程、应变率张量具体形式如下:
联立方程消去应力张量、应变率张量,并设粘度为常数,得到如下方程:
其中,Δ为拉普拉斯算子,具体形式为:
将式(4)代入欧拉运动方程,可得到:
将上述方程在x、y方向分离可得
步骤3,根据步骤2推导的N-S方程,构造计算BP神经网络;
步骤3.1:构造计算BP神经网络,其组成结构如图2所示,BP神经网络结构包括:输入层、物理特征学习模块、输出层,其中,物理特征学习模块由多个隐藏层组成,每个隐藏层由50个神经元组成,通过多个隐藏层提取输入的抽象特征,学习输入中所包含的物理特征,方便后续智能计算。
步骤3.2:利用球头模型数值计算数据训练计算BP神经网络,过程如下:
将数据集中的坐标、压力、温度、温度变量提取出来,统一转换成矩阵,作为训练集,坐标作为测试集。对网络进行训练和测试,测试误差5.2e-3。
步骤4,智能求解N-S方程;
步骤4.1:将需要求解的坐标输入到计算BP神经网络中,智能求解N-S方程。
步骤5,将智能求解N-S方程的结果输出,得到最终的气动热智能计算结果。
Claims (4)
1.一种基于BP神经网络的超声速飞行器气动热环境智能预测计算方法,其特征在于:
首先获取典型外形飞行器的数值计算结果数据,依据飞行器模型的空间维度,对计算结果数据进行分类,生成不同空间维度的特定数据集;
其次对特定数据集对应的N-S方程进行推导,分别构建计算BP神经网络,笛卡尔坐标输入到计算BP神经网络中,输出气动热的智能计算结果,完成智能计算。
2.根据权利要求1所述数值计算数据,其特征在于,
数值计算数据是不同算例计算得到的。分类是按照计算时问题的空间维度进行的,相同维度的计算数据分在一起。数据集中数据的空间维度相同,且计算采用的N-S方程维度也是一致的。
3.根据权利要求1所述的N-S方程需要推导为特定的形式,其特征在于,
本发明所用的N-S方程需要对传统数值计算用到的N-S方程进行数学推导,从而有助于计算BP神经网络的构建,维度不同,N-S方程形式不同,边界条件不同,N-S方程形式不同。
4.根据权利要求1所述的计算BP神经网络,其特征在于,
本发明的计算BP神经网络包括一个模块和两个网络层,一个模块是物理特征学习模块;两个网络层分别是输入层和输出层;根据数据处理的先后次序,其网络架构由底向上分别是输入层、物理特征学习模块、输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010375776.7A CN111563297A (zh) | 2020-05-07 | 2020-05-07 | 一种基于bp网络的超声速飞行器热环境计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010375776.7A CN111563297A (zh) | 2020-05-07 | 2020-05-07 | 一种基于bp网络的超声速飞行器热环境计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563297A true CN111563297A (zh) | 2020-08-21 |
Family
ID=72072024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010375776.7A Pending CN111563297A (zh) | 2020-05-07 | 2020-05-07 | 一种基于bp网络的超声速飞行器热环境计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563297A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965364A (zh) * | 2021-02-08 | 2021-06-15 | 南京工业大学 | 一种高超声速飞行器气动热地面模拟系统建模及iPID方法 |
CN113609596A (zh) * | 2021-09-29 | 2021-11-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的飞行器气动特性预测方法 |
-
2020
- 2020-05-07 CN CN202010375776.7A patent/CN111563297A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965364A (zh) * | 2021-02-08 | 2021-06-15 | 南京工业大学 | 一种高超声速飞行器气动热地面模拟系统建模及iPID方法 |
CN113609596A (zh) * | 2021-09-29 | 2021-11-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的飞行器气动特性预测方法 |
CN113609596B (zh) * | 2021-09-29 | 2021-12-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的飞行器气动特性预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105843073B (zh) | 一种基于气动力不确定降阶的机翼结构气动弹性稳定性分析方法 | |
CN113627093B (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
Agarwal | Computational fluid dynamics of whole-body aircraft | |
Demo et al. | An efficient shape parametrisation by free-form deformation enhanced by active subspace for hull hydrodynamic ship design problems in open source environment | |
CN111563297A (zh) | 一种基于bp网络的超声速飞行器热环境计算方法 | |
Durasov et al. | Debosh: Deep bayesian shape optimization | |
CN113221475A (zh) | 一种用于高精度流场分析的网格自适应方法 | |
CN113283186A (zh) | 一种用于cfd的通用网格自适应方法 | |
CN106485030B (zh) | 一种用于sph算法的对称边界处理方法 | |
Nagawkar et al. | Aerodynamic shape optimization using gradient-enhanced multifidelity neural networks | |
CN112182737B (zh) | 一种基于模态法的并行化高精度颤振计算方法 | |
Zienkiewicz | Computational mechanics today | |
Karali et al. | A novel physics informed deep learning method for simulation-based modelling | |
CN114329315B (zh) | 一种基于动模态分解技术的静气弹快速求解方法 | |
CN114491790A (zh) | 一种基于maml的气动建模方法及系统 | |
CN115407680A (zh) | 一种并行化的高精度时域气动弹性控制耦合仿真方法 | |
Xu et al. | Modern Computational Aeroelasticity | |
Nielsen | Adjoint-based aerodynamic design of complex aerospace configurations | |
CN112507282A (zh) | 一种基于速度梯度张量特性的流动显示方法 | |
Du et al. | A Fully Automated Adaptive Sampling Strategy for Reduced-Order Modeling of Flow Fields | |
Scherding et al. | Data-driven reduction of lookup libraries for the simulation of non-equilibrium effects in hypersonic flows | |
Delaney et al. | HPCMP CREATETM-SH Osprey: Extension of CREATETM-AV Kestrel for Incompressible Ships Applications | |
Wang et al. | Optimal Experimental Design-based Reduced Order Modeling for Learning Optimal Aerodynamic Designs | |
Zerouaoui et al. | Assessing the Improvements Brought by Artificial Intelligence on the Prediction of Aerodynamic Coefficients | |
EL MAANI et al. | CFD Analysis and Shape Optimization of NACA0012 Airfoil for Different Mach Numbers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200821 |
|
WD01 | Invention patent application deemed withdrawn after publication |