CN113553779B - 火星进入器驻点热流预测方法、装置、电子设备及介质 - Google Patents

火星进入器驻点热流预测方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN113553779B
CN113553779B CN202111103802.1A CN202111103802A CN113553779B CN 113553779 B CN113553779 B CN 113553779B CN 202111103802 A CN202111103802 A CN 202111103802A CN 113553779 B CN113553779 B CN 113553779B
Authority
CN
China
Prior art keywords
neural network
training
mars
heat flow
network model
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.)
Active
Application number
CN202111103802.1A
Other languages
English (en)
Other versions
CN113553779A (zh
Inventor
吕俊明
苏鹏辉
程晓丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Aerospace Aerodynamics CAAA
Original Assignee
China Academy of Aerospace Aerodynamics CAAA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Academy of Aerospace Aerodynamics CAAA filed Critical China Academy of Aerospace Aerodynamics CAAA
Priority to CN202111103802.1A priority Critical patent/CN113553779B/zh
Publication of CN113553779A publication Critical patent/CN113553779A/zh
Application granted granted Critical
Publication of CN113553779B publication Critical patent/CN113553779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种火星进入器驻点热流预测方法、装置、电子设备及介质。该方法可以包括：确定进入器的几何和流场特征量，进而确定多组状态组合；针对每一组状态组合进行火星大气热化学非平衡流场计算，计算驻点热流值，获得样本数据集；构建神经网络模型，并根据样本数据集训练神经网络，获得最终的神经网络模型；通过最终的神经网络模型预测驻点对流热流。本发明基于平均分子自由程的网格调试和初算，基于神经网络训练等关键技术，实现准确快速火星进入器驻点热流预测。

Description

火星进入器驻点热流预测方法、装置、电子设备及介质
技术领域
本发明涉及气动热环境模拟技术领域，更具体地，涉及一种火星进入器驻点热流预测方法、装置、电子设备及介质。
背景技术
火星是距离地球最近的行星，也是太阳系中被探测次数最多的行星，人类探测火星已有近60年的历史。在以往全部15次登陆火星任务中仅成功7次，失败的任务中问题多数发生在探测器的进入下降着陆阶段，即EDL（Entry-Descent-Landing），因此该过程是决定任务成败的关键。
在火星探测EDL过程中的进入段，面临的问题来自于火星特殊的大气成分和稀薄环境，其性质与地球大气差异较大，对基于地球再入建立起来的现有理论、数值和实验技术提出了新的要求。对火星大气性质的认识不充分、对火星进入气动力热特性预测的能力不足致使早期火星进入飞行器的轨道设计和热防护系统设计存在较大的不确定性，造成实际进入过程中气动参数往往很容易超出设计值或遭遇未被充分理解的物理现象，最终导致任务失败。Wright在文献中综述了有关气动热力学模型的发展和应用情况，目前对火星进入器气动热环境预测的不确定度大为改善，但在工程设计中，进入器热防护系统需要大量的进入轨道状态点对应的热环境数据用于设计，火星大气热化学非平衡流动计算耗费计算资源、计算所需时间较长，无法满足工程需求。因此往往采用工程方法给出驻点热流值，但工程方法一般为基于边界层理论的简单拟合公式，对火星大气环境的适应性有待评估，并且给出的驻点热流值精度较低，无法反映流动的非平衡特性。
因此，有必要开发一种基于神经网络的火星进入器驻点热流预测方法、装置、电子设备及介质。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种火星进入器驻点热流预测方法、装置、电子设备及介质，其基于平均分子自由程的网格调试和初算，基于神经网络训练等关键技术，实现准确快速火星进入器驻点热流预测。
第一方面，本公开实施例提供了一种火星进入器驻点热流预测方法，包括：
确定进入器的几何和流场特征量，进而确定多组状态组合；
针对每一组状态组合进行火星大气热化学非平衡流场计算，计算驻点热流值，获得样本数据集；
构建神经网络模型，并根据所述样本数据集训练神经网络，获得最终的神经网络模型；
通过所述最终的神经网络模型预测驻点对流热流。
优选地，进入器的几何和流场特征量包括进入器头部曲率半径、火星大气环境密度与进入飞行速度。
优选地，针对每一组状态组合进行火星大气热化学非平衡流场计算包括：
针对头部半径飞行器进行网格划分；
根据环境密度和飞行速度开展流场初算，基于初算的飞行器表面平均分子自由程，进行网格加密与调整；
在更新网格上，针对每一组状态组合进行火星大气热化学非平衡流场计算。
优选地，通过公式（1）计算飞行器表面平均分子自由程：
Figure 884915DEST_PATH_IMAGE001
（1）
其中，λ为飞行器表面平均分子自由程，μ为气体粘性系数，ρ为气体密度值，ms为气体分子质量，R0为气体常数，T为气体温度。
优选地，构建神经网络模型包括：
确定神经网络的损失函数；
确定隐含层神经元和输出层神经元的激活函数。
优选地，根据所述样本数据集训练神经网络，获得最终的神经网络模型包括：
设定隐含层和每层神经元数量，设置总的训练次数、动量因子；
在所述样本数据集的训练集中随机提取训练样本，通过所述训练样本训练所述神经网络；
每隔设定的训练步数检验神经网络预测误差，直至达到总的训练次数，停止训练，输出最终的神经网络模型。
优选地，每隔设定的训练步数检验神经网络预测误差包括：
每隔设定的训练步数，通过所述样本数据集的验证集检验神经网络的预测误差，若误差小于上一次检验的误差，则保存此次训练的神经网络参数。
作为本公开实施例的一种具体实现方式，
第二方面，本公开实施例还提供了一种火星进入器驻点热流预测装置，包括：
状态组合确定模块，确定进入器的几何和流场特征量，进而确定多组状态组合；
样本数据集确定模块，针对每一组状态组合进行火星大气热化学非平衡流场计算，计算驻点热流值，获得样本数据集；
训练模块，构建神经网络模型，并根据所述样本数据集训练神经网络，获得最终的神经网络模型；
预测模块，通过所述最终的神经网络模型预测驻点对流热流。
优选地，进入器的几何和流场特征量包括进入器头部曲率半径、火星大气环境密度与进入飞行速度。
优选地，针对每一组状态组合进行火星大气热化学非平衡流场计算包括：
针对头部半径飞行器进行网格划分；
根据环境密度和飞行速度开展流场初算，基于初算的飞行器表面平均分子自由程，进行网格加密与调整；
在更新网格上，针对每一组状态组合进行火星大气热化学非平衡流场计算。
优选地，通过公式（1）计算飞行器表面平均分子自由程：
Figure 67634DEST_PATH_IMAGE001
（1）
其中，λ为飞行器表面平均分子自由程，μ为气体粘性系数，ρ为气体密度值，ms为气体分子质量，R0为气体常数，T为气体温度。
优选地，构建神经网络模型包括：
确定神经网络的损失函数；
确定隐含层神经元和输出层神经元的激活函数。
优选地，根据所述样本数据集训练神经网络，获得最终的神经网络模型包括：
设定隐含层和每层神经元数量，设置总的训练次数、动量因子；
在所述样本数据集的训练集中随机提取训练样本，通过所述训练样本训练所述神经网络；
每隔设定的训练步数检验神经网络预测误差，直至达到总的训练次数，停止训练，输出最终的神经网络模型。
优选地，每隔设定的训练步数检验神经网络预测误差包括：
每隔设定的训练步数，通过所述样本数据集的验证集检验神经网络的预测误差，若误差小于上一次检验的误差，则保存此次训练的神经网络参数。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的火星进入器驻点热流预测方法。
第四方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的火星进入器驻点热流预测方法。
其有益效果在于：本发明针对火星进入器驻点热流预测的技术难点，通过基于平均分子自由程的网格调试和初算，利用火星大气热化学非平衡流动计算获得可靠的驻点热流数据集，发展一种火星进入器驻点热流预测的神经网络方法，通过解决几何和流场特征量选取、神经网络建模和神经网络训练等关键技术，提供了一套能够准确快速预测火星进入器驻点热流的方法，解决了现有工程方法预测精度不足的问题，有效避免了工程设计中热化学非平衡流场计算对时间和资源的巨大需求。
本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的火星进入器驻点热流预测方法的步骤的流程图。
图2示出了根据本发明的一个实施例的验证误差随训练回合的变化示意图。
图3示出了根据本发明的一个实施例的一种火星进入器驻点热流预测装置的框图。
附图标记说明：
201、状态组合确定模块；202、样本数据集确定模块；203、训练模块；204、预测模块。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
本发明提供一种火星进入器驻点热流预测方法，包括：
状态组合确定模块，确定进入器的几何和流场特征量，进而确定多组状态组合；
样本数据集确定模块，针对每一组状态组合进行火星大气热化学非平衡流场计算，计算驻点热流值，获得样本数据集；
训练模块，构建神经网络模型，并根据样本数据集训练神经网络，获得最终的神经网络模型；
预测模块，通过最终的神经网络模型预测驻点对流热流。
在一个示例中，进入器的几何和流场特征量包括进入器头部曲率半径、火星大气环境密度与进入飞行速度。
在一个示例中，针对每一组状态组合进行火星大气热化学非平衡流场计算包括：
针对头部半径飞行器进行网格划分；
根据环境密度和飞行速度开展流场初算，基于初算的飞行器表面平均分子自由程，进行网格加密与调整；
在更新网格上，针对每一组状态组合进行火星大气热化学非平衡流场计算。
在一个示例中，通过公式（1）计算飞行器表面平均分子自由程：
Figure 112951DEST_PATH_IMAGE001
（1）
其中，λ为飞行器表面平均分子自由程，μ为气体粘性系数，ρ为气体密度值，π取3.1415926，ms为气体分子质量，R0为气体常数，取8.314，T为气体温度。
在一个示例中，构建神经网络模型包括：
确定神经网络的损失函数；
确定隐含层神经元和输出层神经元的激活函数。
在一个示例中，根据样本数据集训练神经网络，获得最终的神经网络模型包括：
设定隐含层和每层神经元数量，设置总的训练次数、动量因子；
在样本数据集的训练集中随机提取训练样本，通过训练样本训练神经网络；
每隔设定的训练步数检验神经网络预测误差，直至达到总的训练次数，停止训练，输出最终的神经网络模型。
在一个示例中，每隔设定的训练步数检验神经网络预测误差包括：
每隔设定的训练步数，通过样本数据集的验证集检验神经网络的预测误差，若误差小于上一次检验的误差，则保存此次训练的神经网络参数。
具体地，选取进入器几何和流场特征量，具体为进入器头部曲率半径、火星大气环境密度和进入飞行速度等3个特征量，构建多组流场计算状态组合。
对所选头部半径的进入器外形，分别进行初始网格生成，对网格分布和最小壁面距离均放松要求，以快速完成流场初算；
根据状态组合，对初始网格依次开展非平衡流场初算，根据结果获得进入器表面平均分子自由程分布，具体公式为公式（1）。基于初算的飞行器表面平均分子自由程，进行数值网格的加密和调整，在此新网格上开展火星大气热化学非平衡流场计算，获得驻点对流热流值，一组状态组合及其对应的驻点对流热流值即为一组样本，进而获得样本数据集，从样本数据集中随机选取训练集数据和验证集数据。
构建神经网络模型，定义神经网络的损失函数为：
Figure 773739DEST_PATH_IMAGE002
（2）
其中，nt为训练集数据个数，qi为神经网络输出热流，Qi为训练集数据中选取的热流，训练的过程即优化神经网络模型，使损失函数达到最小，即最小均方算法。
每个神经元只能有一个输出值，但可以有任意数目的输入。在第n次训练过程中， 先根据输入和当前权值计算神经元j的诱导局部域
Figure 119270DEST_PATH_IMAGE003
，其中，ns 为神经元输入个数，Si为输入参数，bj n为第n训练回合神经元j的偏置（阈值）。然后，计算得 到神经元j的输出
Figure 207312DEST_PATH_IMAGE004
，其中，
Figure 739924DEST_PATH_IMAGE005
为激活函数，代表了神经元对输入信号的响应。
输出层激活函数采用Logistic函数
Figure 204403DEST_PATH_IMAGE006
隐含层激活函数采用的是缩放指数线性单元SeLU
Figure 902976DEST_PATH_IMAGE007
k1=1.050700987355480493419334，k2=1.6732632423543772848170429。在计算隐含层和输出层神经元的输出时，将前一层的输出作为其输入。逐层计算出所有神经元的输出后，根据实际响应q和期望响应Q调整每个神经元的突触权值ω ji 和偏置b j 。
采用附加动量项的梯度下降法调节突触权值和偏置：
Figure 161919DEST_PATH_IMAGE008
Figure 181827DEST_PATH_IMAGE009
式中η为学习率，α为动量因子，
Figure 184418DEST_PATH_IMAGE010
为上一次训练中得到的变化量。
若神经元j为输出层神经元，则可利用模型预测值与训练样本的输出值之间的误差
Figure 973383DEST_PATH_IMAGE011
直接得到其局域梯度为
Figure 668806DEST_PATH_IMAGE012
若神经元j是隐含层神经元，则其局域梯度
Figure 176011DEST_PATH_IMAGE013
需要由下一层与其直接相连的神经元的局域梯度向后递归确定
Figure 982293DEST_PATH_IMAGE014
。
设定隐含层和每层神经元数量，设置总的训练次数、动量因子。通过随机选取突触权值，对神经网络进行初始化。利用训练集数据作为输入，驻点热流的均方值作为输出，对神经网络进行训练。具体训练过程为：随机取出一批训练样本，利用样本训练神经网络；每隔设定的训练步数，通过样本数据集的验证集检验神经网络的预测误差，若误差小于上一次检验的误差，则保存此次训练的神经网络参数，若不小于，则不保存，继续训练，直至达到总的训练回合数，停止训练，输出最终的神经网络模型。
将飞行器曲率半径、环境密度和飞行速度输入数据运行最终的神经网络模型，得到火星进入器驻点对流热流的预测值。
本发明还提供一种火星进入器驻点热流预测装置，包括：
状态组合确定模块，确定进入器的几何和流场特征量，进而确定多组状态组合；
样本数据集确定模块，针对每一组状态组合进行火星大气热化学非平衡流场计算，计算驻点热流值，获得样本数据集；
训练模块，构建神经网络模型，并根据样本数据集训练神经网络，获得最终的神经网络模型；
预测模块，通过最终的神经网络模型预测驻点对流热流。
在一个示例中，进入器的几何和流场特征量包括进入器头部曲率半径、火星大气环境密度与进入飞行速度。
在一个示例中，针对每一组状态组合进行火星大气热化学非平衡流场计算包括：
针对头部半径飞行器进行网格划分；
根据环境密度和飞行速度开展流场初算，基于初算的飞行器表面平均分子自由程，进行网格加密与调整；
在更新网格上，针对每一组状态组合进行火星大气热化学非平衡流场计算。
在一个示例中，通过公式（1）计算飞行器表面平均分子自由程：
Figure 891343DEST_PATH_IMAGE001
（1）
其中，λ为飞行器表面平均分子自由程，μ为气体粘性系数，ρ为气体密度值，ms为气体分子质量，R0为气体常数，T为气体温度。
在一个示例中，构建神经网络模型包括：
确定神经网络的损失函数；
确定隐含层神经元和输出层神经元的激活函数。
在一个示例中，根据样本数据集训练神经网络，获得最终的神经网络模型包括：
设定隐含层和每层神经元数量，设置总的训练次数、动量因子；
在样本数据集的训练集中随机提取训练样本，通过训练样本训练神经网络；
每隔设定的训练步数检验神经网络预测误差，直至达到总的训练次数，停止训练，输出最终的神经网络模型。
在一个示例中，每隔设定的训练步数检验神经网络预测误差包括：
每隔设定的训练步数，通过样本数据集的验证集检验神经网络的预测误差，若误差小于上一次检验的误差，则保存此次训练的神经网络参数。
具体地，选取进入器几何和流场特征量，具体为进入器头部曲率半径、火星大气环境密度和进入飞行速度等3个特征量，构建多组流场计算状态组合。
对所选头部半径的进入器外形，分别进行初始网格生成，对网格分布和最小壁面距离均放松要求，以快速完成流场初算；
根据状态组合，对初始网格依次开展非平衡流场初算，根据结果获得进入器表面平均分子自由程分布，具体公式为公式（1）。基于初算的飞行器表面平均分子自由程，进行数值网格的加密和调整，在此新网格上开展火星大气热化学非平衡流场计算，获得驻点对流热流值，一组状态组合及其对应的驻点对流热流值即为一组样本，进而获得样本数据集，从样本数据集中随机选取训练集数据和验证集数据。
构建神经网络模型，定义神经网络的损失函数为：
Figure 492089DEST_PATH_IMAGE002
（2）
其中，nt为训练集数据个数，qi为神经网络输出热流，Qi为训练集数据中选取的热流，训练的过程即优化神经网络模型，使损失函数达到最小，即最小均方算法。
每个神经元只能有一个输出值，但可以有任意数目的输入。在第n次训练过程中， 先根据输入和当前权值计算神经元j的诱导局部域
Figure 486590DEST_PATH_IMAGE003
，其中，ns 为神经元输入个数，Si为输入参数，bj n为第n训练回合神经元j的偏置（阈值）。然后，计算得 到神经元j的输出
Figure 830983DEST_PATH_IMAGE004
，其中，
Figure 860119DEST_PATH_IMAGE005
为激活函数，代表了神经元对输入信号的响应。
输出层激活函数采用Logistic函数
Figure 398810DEST_PATH_IMAGE006
隐含层激活函数采用的是缩放指数线性单元SeLU
Figure 615028DEST_PATH_IMAGE007
k1=1.050700987355480493419334，k2=1.6732632423543772848170429。在计算隐含层和输出层神经元的输出时，将前一层的输出作为其输入。逐层计算出所有神经元的输出后，根据实际响应q和期望响应Q调整每个神经元的突触权值ω ji 和偏置b j 。
采用附加动量项的梯度下降法调节突触权值和偏置：
Figure 763113DEST_PATH_IMAGE008
Figure 381176DEST_PATH_IMAGE009
式中η为学习率，α为动量因子，
Figure 589303DEST_PATH_IMAGE010
为上一次训练中得到的变化量。
若神经元j为输出层神经元，则可利用模型预测值与训练样本的输出值之间的误差
Figure 558396DEST_PATH_IMAGE011
直接得到其局域梯度为
Figure 244592DEST_PATH_IMAGE012
若神经元j是隐含层神经元，则其局域梯度
Figure 982741DEST_PATH_IMAGE013
需要由下一层与其直接相连的神经元的局域梯度向后递归确定
Figure 361770DEST_PATH_IMAGE014
。
设定隐含层和每层神经元数量，设置总的训练次数、动量因子。通过随机选取突触权值，对神经网络进行初始化。利用训练集数据作为输入，驻点热流的均方值作为输出，对神经网络进行训练。具体训练过程为：随机取出一批训练样本，利用样本训练神经网络；每隔设定的训练步数，通过样本数据集的验证集检验神经网络的预测误差，若误差小于上一次检验的误差，则保存此次训练的神经网络参数，若不小于，则不保存，继续训练，直至达到总的训练回合数，停止训练，输出最终的神经网络模型。
将飞行器曲率半径、环境密度和飞行速度输入数据运行最终的神经网络模型，得到火星进入器驻点对流热流的预测值。
本发明还提供一种电子设备，电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述的火星进入器驻点热流预测方法。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的火星进入器驻点热流预测方法。
为便于理解本发明实施例的方案及其效果，以下给出四个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
实施例1
图1示出了根据本发明的一个实施例的火星进入器驻点热流预测方法的步骤的流程图。
如图1所示，该火星进入器驻点热流预测方法包括：步骤101，确定进入器的几何和流场特征量，进而确定多组状态组合；步骤102，针对每一组状态组合进行火星大气热化学非平衡流场计算，计算驻点热流值，获得样本数据集；步骤103，构建神经网络模型，并根据样本数据集训练神经网络，获得最终的神经网络模型；步骤104，通过最终的神经网络模型预测驻点对流热流。
选取进入器几何和流场特征量，具体为进入器头部曲率半径、火星大气环境密度和进入飞行速度等3个特征量。参考多个火星进入器的进入轨道参数，选定进入器速度范围1~8km/s，进入器头部曲率半径0.5~5m，进入高度范围为火星大气10~70km，对应密度范围为5×10-3~1×10-5kg/m3。以速度1km/s、2km/s、3km/s、4km/s、5km/s、6km/s、7km/s和8km/s，头部曲率半径0.5m、1.0m、1.5m、2.0m、2.5m、3.0m、3.5m、4.0m、4.5m和5m，密度5×10-3kg/m3、1×10-3kg/m3、5×10-4kg/m3、1×10-4kg/m3、5×10-5kg/m3和1×10-5kg/m3为典型状态点，构建多组流场计算状态组合。
对所选头部半径的进入器外形，分别进行初始网格生成，对网格分布和最小壁面距离均放松要求，以快速完成流场初算；
根据状态组合，对初始网格依次开展非平衡流场初算，根据结果获得进入器表面平均分子自由程分布，具体公式为公式（1）。以进入器表面最小平均分子自由程的5倍为壁面网格最小距离，以初算流场激波位置为加密区域，进行数值网格的加密和调整，在此新网格上开展火星大气热化学非平衡流场计算，获得驻点对流热流值，一组状态组合及其对应的驻点对流热流值即为一组样本，进而获得样本数据集，从样本数据集中随机选取训练集数据和验证集数据。
构建神经网络模型，定义神经网络的损失函数为公式（2）。训练的过程即优化神经网络模型，使损失函数达到最小，即最小均方算法。
每个神经元只能有一个输出值，但可以有任意数目的输入。在第n次训练过程中， 先根据输入和当前权值计算神经元j的诱导局部域
Figure 552580DEST_PATH_IMAGE003
，其中，ns 为神经元输入个数，Si为输入参数，bj n为第n训练回合神经元j的偏置（阈值）。然后，计算得 到神经元j的输出
Figure 308046DEST_PATH_IMAGE004
，其中，
Figure 635122DEST_PATH_IMAGE005
为激活函数，代表了神经元对输入信号的响应。
输出层激活函数采用Logistic函数
Figure 214746DEST_PATH_IMAGE006
隐含层激活函数采用的是缩放指数线性单元SeLU
Figure 424011DEST_PATH_IMAGE007
k1=1.050700987355480493419334，k2=1.6732632423543772848170429。在计算隐含层和输出层神经元的输出时，将前一层的输出作为其输入。逐层计算出所有神经元的输出后，根据实际响应q和期望响应Q调整每个神经元的突触权值ω ji 和偏置b j 。
采用附加动量项的梯度下降法调节突触权值和偏置：
Figure 983168DEST_PATH_IMAGE008
Figure 430330DEST_PATH_IMAGE009
式中η为学习率，α为动量因子，
Figure 885582DEST_PATH_IMAGE010
为上一次训练中得到的变化量。
若神经元j为输出层神经元，则可利用模型预测值与训练样本的输出值之间的误差
Figure 50984DEST_PATH_IMAGE011
直接得到其局域梯度为
Figure 882674DEST_PATH_IMAGE012
若神经元j是隐含层神经元，则其局域梯度
Figure 449921DEST_PATH_IMAGE013
需要由下一层与其直接相连的神经元的局域梯度向后递归确定
Figure 341654DEST_PATH_IMAGE014
。
训练神经网络：
设置5个隐含层，从输入至输出分别有19、15、12、9、5个神经元；总训练次数为100000次；动量因子α取为0.2。
通过随机选取突触权值，对神经网络进行初始化。利用训练集数据作为输入，驻点热流的均方值作为输出，对神经网络进行训练。具体训练过程为：随机取出一批训练样本，利用样本训练神经网络；每隔设定的训练步数，通过样本数据集的验证集检验神经网络的预测误差，若误差小于上一次检验的误差，则保存此次训练的神经网络参数，若不小于，则不保存，继续训练，直至达到总的训练回合数，停止训练，输出最终的神经网络模型。
将飞行器曲率半径、环境密度和飞行速度输入数据运行最终的神经网络模型，得到火星进入器驻点对流热流的预测值。
图2示出了根据本发明的一个实施例的验证误差随训练回合的变化示意图，表明在达到一定训练步数后，可以通过该神经网络方法获得较为可信的驻点热流数据。
实施例2
图3示出了根据本发明的一个实施例的一种火星进入器驻点热流预测装置的框图。
如图3所示，该火星进入器驻点热流预测装置，包括：
状态组合确定模块201，确定进入器的几何和流场特征量，进而确定多组状态组合；
样本数据集确定模块202，针对每一组状态组合进行火星大气热化学非平衡流场计算，计算驻点热流值，获得样本数据集；
训练模块203，构建神经网络模型，并根据样本数据集训练神经网络，获得最终的神经网络模型；
预测模块204，通过最终的神经网络模型预测驻点对流热流。
作为可选方案，进入器的几何和流场特征量包括进入器头部曲率半径、火星大气环境密度与进入飞行速度。
作为可选方案，针对每一组状态组合进行火星大气热化学非平衡流场计算包括：
针对头部半径飞行器进行网格划分；
根据环境密度和飞行速度开展流场初算，基于初算的飞行器表面平均分子自由程，进行网格加密与调整；
在更新网格上，针对每一组状态组合进行火星大气热化学非平衡流场计算。
作为可选方案，通过公式（1）计算飞行器表面平均分子自由程：
Figure 994352DEST_PATH_IMAGE001
（1）
其中，λ为飞行器表面平均分子自由程，μ为气体粘性系数，ρ为气体密度值，ms为气体分子质量，R0为气体常数，T为气体温度。
作为可选方案，构建神经网络模型包括：
确定神经网络的损失函数；
确定隐含层神经元和输出层神经元的激活函数。
作为可选方案，根据样本数据集训练神经网络，获得最终的神经网络模型包括：
设定隐含层和每层神经元数量，设置总的训练次数、动量因子；
在样本数据集的训练集中随机提取训练样本，通过训练样本训练神经网络；
每隔设定的训练步数检验神经网络预测误差，直至达到总的训练次数，停止训练，输出最终的神经网络模型。
作为可选方案，每隔设定的训练步数检验神经网络预测误差包括：
每隔设定的训练步数，通过样本数据集的验证集检验神经网络的预测误差，若误差小于上一次检验的误差，则保存此次训练的神经网络参数。
实施例3
本公开提供一种电子设备包括，该电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述火星进入器驻点热流预测方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。该非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。
该处理器可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
实施例4
本公开实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的火星进入器驻点热流预测方法。
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于：光存储介质（例如：CD－ROM和DVD）、磁光存储介质（例如：MO）、磁存储介质（例如：磁带或移动硬盘）、具有内置的可重写非易失性存储器的媒体（例如：存储卡）和具有内置ROM的媒体（例如：ROM盒）。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (8)

1.一种火星进入器驻点热流预测方法，其特征在于，包括：
确定进入器的几何和流场特征量，进而确定多组状态组合；
针对每一组状态组合进行火星大气热化学非平衡流场计算，计算驻点热流值，获得样本数据集；
构建神经网络模型，并根据所述样本数据集训练神经网络，获得最终的神经网络模型；
通过所述最终的神经网络模型预测驻点对流热流；
其中，针对每一组状态组合进行火星大气热化学非平衡流场计算包括：
针对头部半径飞行器进行网格划分；
根据环境密度和飞行速度开展流场初算，基于初算的飞行器表面平均分子自由程，进行网格加密与调整；
在更新网格上，针对每一组状态组合进行火星大气热化学非平衡流场计算；
其中，通过公式（1）计算飞行器表面平均分子自由程：
Figure DEST_PATH_IMAGE001
（1）
其中，λ为飞行器表面平均分子自由程，μ为气体粘性系数，ρ为气体密度值，ms为气体分子质量，R0为气体常数，T为气体温度。
2.根据权利要求1所述的火星进入器驻点热流预测方法，其中，进入器的几何和流场特征量包括进入器头部曲率半径、火星大气环境密度与进入飞行速度。
3.根据权利要求1所述的火星进入器驻点热流预测方法，其中，构建神经网络模型包括：
确定神经网络的损失函数；
确定隐含层神经元和输出层神经元的激活函数。
4.根据权利要求1所述的火星进入器驻点热流预测方法，其中，根据所述样本数据集训练神经网络，获得最终的神经网络模型包括：
设定隐含层和每层神经元数量，设置总的训练次数、动量因子；
在所述样本数据集的训练集中随机提取训练样本，通过所述训练样本训练所述神经网络；
每隔设定的训练步数检验神经网络预测误差，直至达到总的训练次数，停止训练，输出最终的神经网络模型。
5.根据权利要求4所述的火星进入器驻点热流预测方法，其中，每隔设定的训练步数检验神经网络预测误差包括：
每隔设定的训练步数，通过所述样本数据集的验证集检验神经网络的预测误差，若误差小于上一次检验的误差，则保存此次训练的神经网络参数。
6.一种火星进入器驻点热流预测装置，其特征在于，包括：
状态组合确定模块，确定进入器的几何和流场特征量，进而确定多组状态组合；
样本数据集确定模块，针对每一组状态组合进行火星大气热化学非平衡流场计算，计算驻点热流值，获得样本数据集；
训练模块，构建神经网络模型，并根据所述样本数据集训练神经网络，获得最终的神经网络模型；
预测模块，通过所述最终的神经网络模型预测驻点对流热流；
其中，针对每一组状态组合进行火星大气热化学非平衡流场计算包括：
针对头部半径飞行器进行网格划分；
根据环境密度和飞行速度开展流场初算，基于初算的飞行器表面平均分子自由程，进行网格加密与调整；
在更新网格上，针对每一组状态组合进行火星大气热化学非平衡流场计算；
其中，通过公式（1）计算飞行器表面平均分子自由程：
Figure 783642DEST_PATH_IMAGE001
（1）
其中，λ为飞行器表面平均分子自由程，μ为气体粘性系数，ρ为气体密度值，ms为气体分子质量，R0为气体常数，T为气体温度。
7.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现权利要求1-5中任一项所述的火星进入器驻点热流预测方法。
8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的火星进入器驻点热流预测方法。
CN202111103802.1A 2021-09-22 2021-09-22 火星进入器驻点热流预测方法、装置、电子设备及介质 Active CN113553779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111103802.1A CN113553779B (zh) 2021-09-22 2021-09-22 火星进入器驻点热流预测方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111103802.1A CN113553779B (zh) 2021-09-22 2021-09-22 火星进入器驻点热流预测方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN113553779A CN113553779A (zh) 2021-10-26
CN113553779B true CN113553779B (zh) 2021-12-14

Family

ID=78106635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111103802.1A Active CN113553779B (zh) 2021-09-22 2021-09-22 火星进入器驻点热流预测方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113553779B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818149B (zh) * 2022-06-28 2022-11-08 中国空气动力研究与发展中心计算空气动力研究所 飞行器表面壁面热流分解方法、分析方法、介质及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010006033A1 (en) * 2008-07-08 2010-01-14 Tao Of Systems Integration, Inc. Method for predicting flow and performance characteristics of a body using critical point location
CN110083895A (zh) * 2019-04-12 2019-08-02 浙江大学 一种基于神经网络的表面热流辨识三维效应修正方法
CN211527776U (zh) * 2019-11-29 2020-09-18 中国航天空气动力技术研究院 一种可用于稀薄气体效应试验研究的热流传感器
CN113065275B (zh) * 2021-03-05 2022-05-24 浙江大学 一种飞行器飞行过程中驻点热流的在线预示方法

Also Published As

Publication number Publication date
CN113553779A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
US20230252327A1 (en) Neural architecture search for convolutional neural networks
US20210383235A1 (en) Neural networks with subdomain training
EP3593288B1 (en) Training action selection neural networks using look-ahead search
CN109062962B (zh) 一种融合天气信息的门控循环神经网络兴趣点推荐方法
WO2020140073A1 (en) Neural architecture search through a graph search space
US11797839B2 (en) Training neural networks using priority queues
CN106060008B (zh) 一种网络入侵异常检测方法
CN113553779B (zh) 火星进入器驻点热流预测方法、装置、电子设备及介质
CN106886657B (zh) 一种基于kriging函数的有限元模型建立方法
CN116401941B (zh) 一种地铁站闸机疏散能力的预测方法
Morio et al. Missile target accuracy estimation with importance splitting
US20240120022A1 (en) Predicting protein amino acid sequences using generative models conditioned on protein structure embeddings
CN117254981B (zh) 一种工控网络安全态势预测方法及装置
Lv et al. An improved test selection optimization model based on fault ambiguity group isolation and chaotic discrete PSO
CN112580855A (zh) 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法
CN114880767B (zh) 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法
Ye et al. Proposed strategy for the application of the modified harmony search algorithm to code-based selection and scaling of ground motions
Li et al. Optimal combination of aircraft maintenance tasks by a novel simplex optimization method
KR20220134627A (ko) 하드웨어-최적화된 신경 아키텍처 검색
Miao et al. Multiobjective Optimization of Stress‐Release Boot of Solid Rocket Motor under Vertical Storage Based on RBF Model
CN108280520B (zh) 大气廓线计算方法及装置
CN112882683A (zh) 随机数生成器判别方法及随机数处理方法、装置、设备
El Maani et al. Multi-objective Optimization in Fluid–Structure Interaction
CN117910120B (zh) 基于轻量化Transformer的风-桥系统抖振响应预测方法
CN116011448A (zh) 用于检测后门攻击的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant