CN113609596B - 一种基于神经网络的飞行器气动特性预测方法 - Google Patents
一种基于神经网络的飞行器气动特性预测方法 Download PDFInfo
- Publication number
- CN113609596B CN113609596B CN202111147006.8A CN202111147006A CN113609596B CN 113609596 B CN113609596 B CN 113609596B CN 202111147006 A CN202111147006 A CN 202111147006A CN 113609596 B CN113609596 B CN 113609596B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- parameters
- aerodynamic characteristic
- interval
- neural network
- 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
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种基于神经网络的飞行器气动特性预测方法,涉及飞行器气动设计领域,包括:采集预设飞行器在不同来流参数和外形参数下的气动特性参数获得第一训练集;将第一训练集划分为M个第一子训练集;构建M个第一飞行器气动特性预测模型;基于M个所述第一子训练集分别训练对应的M个第一飞行器气动特性预测模型,获得M个第二飞行器气动特性预测模型;基于待预测飞行器的来流参数和外形参数获得M个输入数据;将M个输入数据分别输入到对应的第二飞行器气动特性预测模型中获得待预测飞行器的气动特性参数预测结果;通过本方法能够快速且准确的对飞行器气动特性进行预测,降低了计算量和计算成本,提高了效率。
Description
技术领域
本发明涉及飞行器气动特性预测领域,具体地,涉及一种基于神经网络的飞行器气动特性预测方法。
背景技术
在飞行器研制过程中,获得其气动特性通常有三种途径:理论分析和计算(包括工程计算和数值模拟)、地面实验(主要包括风洞试验)和飞行试验。由于风洞试验和飞行试验需要投入大量的人力、物力,且周期较长,所以在飞行器设计初期大多采用理论计算,高质量低成本的飞行器气动特性计算方法需求广泛。
现有的CFD计算方法通常存在计算量大,计算成本高的技术问题。
发明内容
本发明提供了一种基于神经网络的飞行器气动特性预测方法,通过本方法能够快速且准确的对飞行器气动特性进行预测,与传统的飞行器气动特性计算方法相比降低了计算量和计算成本,提高了效率。
为实现上述目的,本发明提供了一种基于神经网络的飞行器气动特性预测方法,所述方法包括:
步骤1:采集预设飞行器在不同来流参数和外形参数下的气动特性参数,基于来流参数、外形参数和对应的气动特性参数获得第一训练集;
步骤2:根据预设条件将所述来流参数划分为M个范围区间;
步骤3:基于所述来流参数的范围区间划分数目,将第一训练集划分为M个第一子训练集,M为大于1的整数;
步骤4:构建M个第一飞行器气动特性预测模型,所述第一飞行器气动特性预测模型与所述第一子训练集一一对应,所述第一飞行器气动特性预测模型与所述来流参数的范围区间一一对应;
步骤5:基于M个所述第一子训练集分别训练对应的M个所述第一飞行器气动特性预测模型,获得M个第二飞行器气动特性预测模型;其中,将所述第一子训练集中的来流参数和外形参数作为输入,气动特性参数作为输出来训练所述第一飞行器气动特性预测模型;
步骤6:基于待预测飞行器的来流参数和外形参数获得第一数据;
步骤7:根据所述预设条件将所述第一数据划分为M个输入数据;
步骤8:将所述M个输入数据分别输入到对应的所述第二飞行器气动特性预测模型中,所述第二飞行器气动特性预测模型输出第一气动特性参数预测结果;
步骤9:基于M个所述第二飞行器气动特性预测模型的所述第一气动特性参数预测结果,获得所述待预测飞行器的气动特性参数预测结果。
其中,本方法通过建立飞行器来流参数、外形参数等和飞行器气动特性参数之间的映射关系,快速精确的对不同条件下的飞行器气动特性参数进行预测。
本方法采集预设飞行器在不同来流参数和外形参数下的气动特性参数来构建训练样本,构建用于预测飞行器气动特性的预测模型,然后利用训练样本训练预测模型,使得模型具有相应的预测能力,然后利用训练后的模型来对飞行器气动特性进行预测,与传统的飞行器气动特性计算方法相比,利用了神经网络的学习能力,降低了计算量和计算成本,提高了效率。
神经网络是一种通过模仿生物神经系统而构成的新的信息处理模型,具有较强的非线性映射能力以及从输入输出数据中学习有用知识的能力,不需要精确的数学模型,能够极大的减小计算量,提高计算效率节省计算成本,同时还具备正向与反向映射能力。利用人工神经网络建立气动模型,可以避开复杂的物理机理,不需要明确的数学表达式,且可以逼近任意非线性函数,最终建立气动特性预测模型。
本方法通过建立飞行器气动数据样本集,借助机器学习相关算法(如神经网络等)建立适用于某型飞行器的气动特性快速预测模型,可以获得快速、低成本的飞行器气动特性预测结果。
其中,由于气动数据样本集生成过程中,飞行器攻角不是均匀变化的,同时来流马赫数对飞行器气动特性的影响较大,因此,本方法按照来流马赫数和飞行器攻角的变化范围适当划分数据集,分别训练M个神经网络模型用以协同预测气动力参数,这样能够提升预测的精度。对应的改进技术手段为:根据预设条件将所述来流参数划分为M个范围区间;基于所述来流参数的范围区间划分数目,将第一训练集划分为M个第一子训练集;构建M个第一飞行器气动特性预测模型;基于M个所述第一子训练集分别训练对应的M个所述第一飞行器气动特性预测模型;即根据输入参数的范围,利用M个神经网络模型协同预测气动力参数,不同范围的输入参数交由相应的神经网络模型进行预测,在不影响神经网络模型训练时间和预测效率的基础上,进一步提升了预测的精度。
优选的,所述来流参数包括:飞行器的来流马赫数和飞行器的攻角。
优选的,将所述来流参数划分为M个范围区间,具体包括:
将飞行器的来流马赫数划分为x个范围区间;
将飞行器的攻角划分为y个范围区间;
其中,M=x*y,*为乘号。
优选的,将飞行器的来流马赫数Ma划分为3个范围区间,分别为第一区间1:大于或等于0.4且小于0.8;第一区间2:大于或等于0.8且小于1.2;第一区间3:大于或等于1.2且小于或等于4;
将飞行器的攻角α划分为2个范围区间,分别为第二区间1:大于或等于0且小于10;第二区间2:大于或等于10且小于或等于30;
将来流参数划分为6个范围区间,分别为:Ma位于所述第一区间1且α位于所述第二区间1、Ma位于所述第一区间1且α位于所述第二区间2、Ma位于所述第一区间2且α位于所述第二区间1、Ma位于所述第一区间2且α位于所述第二区间2、Ma位于所述第一区间3且α位于所述第二区间1和Ma位于所述第一区间3且α位于所述第二区间2。
优选的,所述第一飞行器气动特性预测模型包括:用于提取共享参数的共享层和预测各个气动特性参数的特定任务层。
优选的,所述气动特性参数包括:轴向力系数CA、法向力系数CN、俯仰力矩系数Cmz和压心位置Xp。
优选的,在所述特定任务层中,将预测压心位置Xp的BP神经网络与法向力系数CN的输出层和俯仰力矩系数Cmz的输出层合并。其中,这样设计的目的是引入气动力参数之间的物理关系,进一步提高气动特性参数预测的精度。通过引入气动力参数之间的物理关系,用以进一步提升某一个或几个气动力参数的预测精度,比如飞行器气动特性预测过程中,压心位置预测精度较低,此时将预测压心位置的BP神经网络与法向力系数、俯仰力矩系数输出层合并,可以提高压心位置的预测精度,在误差反向传播的过程中同时提高法向力系数、俯仰力矩系数的预测精度。
优选的,所述步骤1还包括:将采集的气动特性参数按照一定比例划分获得所述第一训练集、验证集和测试集,所述第一子训练集用于所述第一飞行器气动特性预测模型,更新模型的相关参数;所述验证集用于校正模型的超参数;所述测试集用于检验所述第二飞行器气动特性预测模型的预测结果。
优选的,所述步骤5还包括:通过计算平均绝对误差和决定系数,对所述第二飞行器气动特性预测模型的预测结果进行误差分析。通过误差分析可以进一步提升预测精度。
优选的,本方法基于所述第一子训练集训练所述第一飞行器气动特性预测模型的过程中,采用Pearson相关系数和随机森林的方法,对所述第一子训练集中的来流参数和外形参数进行分类与排序,并移除多余或重复的输入变量。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
本方法通过预测模型代替传统数值计算,能够快速且准确的对飞行器气动特性进行预测,与传统的飞行器气动特性计算方法相比降低了计算量和计算成本,提高了效率。
本方法按照来流马赫数和飞行器攻角的变化范围适当划分数据集,分别训练M个神经网络模型用以协同预测气动力参数,提升了预测的精度。
本方法将预测压心位置的BP神经网络与法向力系数、俯仰力矩系数输出层合并,提高了压心位置的预测精度,在误差反向传播的过程中同时提高了法向力系数、俯仰力矩系数的预测精度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1为基于神经网络的飞行器气动特性预测方法的流程示意图;
图2为本发明中神经网络的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1,图1为基于神经网络的飞行器气动特性预测方法的流程示意图,本发明实施例一提供了一种基于神经网络的飞行器气动特性预测方法,所述方法包括:
采集预设飞行器在不同来流参数和外形参数下的气动特性参数,基于来流参数、外形参数和对应的气动特性参数获得第一训练集;
根据预设来流参数范围划分方式将所述来流参数划分为M个范围区间;
基于所述来流参数的范围区间划分数目,将第一训练集划分为M个第一子训练集,M为大于1的整数;
构建M个第一飞行器气动特性预测模型,所述第一飞行器气动特性预测模型与所述第一子训练集一一对应,所述第一飞行器气动特性预测模型与所述来流参数的范围区间一一对应;
基于M个所述第一子训练集分别训练对应的M个所述第一飞行器气动特性预测模型,获得M个第二飞行器气动特性预测模型;其中,将所述第一子训练集中的来流参数和外形参数作为输入,气动特性参数作为输出来训练所述第一飞行器气动特性预测模型;
基于待预测飞行器的来流参数和外形参数获得第一数据;
根据所述预设来流参数范围划分方式将所述第一数据划分为M个输入数据;
将所述M个输入数据分别输入到对应的所述第二飞行器气动特性预测模型中,所述第二飞行器气动特性预测模型输出第一气动特性参数预测结果;
基于M个所述第二飞行器气动特性预测模型对应的所述第一气动特性参数预测结果,获得所述待预测飞行器的气动特性参数预测结果。
其中,在本发明实施例中,本方法包括:首先获得飞行器不同外形下的气动力参数,建立飞行器气动数据样本集;将原始样本划分为训练集、验证集和测试集,然后对训练集按照来流马赫数和飞行器攻角的范围进一步分割;通过构建和调试神经网络模型,同时引入气动力参数之间的物理关系,对飞行器气动力进行预测;计算预测值和真实值之间的平均绝对误差(MAE)和决定系数(R2),对预测结果的优劣进行衡量和评价。本方法可以实现快速、低成本的某型飞行器气动特性预测,与耗时的CFD计算相比,具有明显的效率优势。
其中,本方法中的气动数据样本集预处理包括:
将气动数据样本集按照一定比例划分为训练集、验证集、测试集。其中,训练集用于训练神经网络模型,更新网络的相关参数;验证集用于进一步校正网络的超参数;测试集用于检验神经网络模型预测的可行性和精确性;
其中,本方法将得到的训练集数据再次分割为M组。由于气动数据样本集生成过程中,飞行器攻角不是均匀变化的,同时来流马赫数对飞行器气动特性的影响较大,有必要按照来流马赫数和飞行器攻角的变化范围适当划分数据集,分别训练M个神经网络模型用以协同预测气动力参数,以提高预测的准确性。
构建与调试M个神经网络模型:
构建神经网络模型:由于预测的气动特性参数不止一个,利用基于神经网络的多任务学习架构可以实现更高的模型训练效率和预测精度,通过观察模型训练过程中LOSS值的收敛速度,同时依据验证集的MAE和R2指标,设计调整隐藏层层数、各层神经元节点数、激活函数等神经网络模型的结构参数,通过训练过程的收敛速度和验证集的误差,来考量结构是否合理。同时引入气动力参数之间的物理关系,用以进一步提升某一个或几个气动力参数的预测精度,比如某型飞行器气动特性预测过程中,压心位置预测精度较低,此时将预测压心位置的BP神经网络与法向力系数、俯仰力矩系数输出层合并,可以提高压心位置的预测精度,在误差反向传播的过程中同时提高法向力系数、俯仰力矩系数的预测精度;
神经网络模型调试:影响神经网络预测精度的因素较多,比如训练样本数、世代(epoch)次数、学习率、损失函数等。一般而言,训练样本数和epoch次数存在相应的最优值,学习率和epoch次数具有一定的对应关系,损失函数包括mae、mse、rmse等,激活函数包括sigmoid、tanh、relu、dropout等。通过引入寻优算法,找到使得神经网络预测精度最高的一组网络参数。
M个神经网络模型协同预测气动力参数(包括轴向力系数CA、法向力系数CN等)。不同输入范围的测试样本对应输入到相应的神经网络模型中,最终得到预测的气动力参数;
误差分析:求解预测数据与真实数据的平均绝对误差(MAE)和决定系数(R2)。预测算法的优劣需要相关评价指标来衡量。
本方法通过建立某型飞行器来流参数、外形参数等和飞行器气动特性之间的映射关系,快速精确的对不同条件下的某型飞行器气动力参数进行预测。
本方法借助基于神经网络的机器学习技术,通过训练调试网络参数,构建输入(来流条件及某型飞行器气动外形参数等数据)和输出(气动力参数)之间的联系。
本方法通过数据采集建立飞行器不同来流参数和外形参数的气动数据样本集,包括轴向力系数、法向力系数、俯仰力矩系数和压心位置在内的气动特性参数。
其中,在实际应用中,首先进行飞行器气动外形参数化。为了实现基于神经网络的某型飞行器气动特性快速预测这一目的,飞行器的气动布局外形特征需要作为输入之一送入神经网络模型进行训练和预测。通过参数化技术,某型飞行器外形可以转化为一系列多维数据结构,并与飞行状态(来流马赫数、攻角)共同构成机器学习模型的输入变量。模型的输出变量为某型飞行器设计人员所关注的气动力、力矩系数等。
基于神经网络的模型需要大量的训练数据,通过构建多层模型,不断迭代计算并更新节点值,直到预测的气动数据结果达到可接受的准确度。采用Pearson相关系数(H.Zhou, Z. Deng, Y. Xia, et al. A new sampling method in particle filter basedon Pearson correlation coefficient. Neurocomputing, 2016(216): 208-215.)和随机森林(孙彦雄,李业丽,边玉宁.面向图书主题分类的随机森林算法的应用研究.计算机技术与发展, 2020, 30(06): 65-70.)的方法,对数据进行分类与排序,并移除多余或者高度相关的输入变量,然后选取合适的神经网络模型进行训练。本案例中,所有输入变量重组为N维矩阵格式,然后输入神经网络模型中。
其中,本实施例中样本的获得方式可以为任意方式,本实施例不进行具体的限定,最终得到15056组样本。计算时将飞行器分为前体段、前翼段、后体段和尾翼段。一定攻角下,前体、后体、前翼的四个翼片和尾翼的四个翼片均有脱体涡产生,各部件气动力及其力矩进行矢量叠加即可得出整个飞行器的气动特性。
气动数据样本集预处理:将数据样本集按照12000:3000:56的比例划分为训练集、验证集和测试集,其中,训练集、验证集和测试集的具体划分比例数目可以根据实际需要进行灵活调整,本实施例不进行具体的限定;根据声速的划分(亚、跨、超声速),将来流马赫数划分为[0.4,0.8]、[0.8,1.2]和[1.2,4],攻角范围在[0,10]和[10,30]的样本密度不同,此时需要根据输入马赫数和攻角的范围进一步划分训练集;需要注意的是测试集与训练集以及验证集不能有任何数据交叉。
构建、调试神经网络模型:设计恰当的神经网络模型框架,如图2所示,神经网络模型整体采用多任务学习架构,主要分为两个模块:用于提取共享参数的共享层和预测各个气动力参数的特定任务层,其中激活函数选取ReLU。为提升压心位置预测精度,将预测压心位置的BP神经网络与法向力系数、俯仰力矩系数输出层合并(见图2椭圆框内)。通过试验确定影响神经网络预测精度的因素(比如训练样本数、世代(epoch)次数、学习率、损失函数等)。通过遗传算法找到预测精度最高的一组网络参数;
其中,如图2所示,神经网络的具体结构参数为:隐藏层1的节点数目为1024,隐藏层2的节点数目为512,隐藏层3-5的节点数目为256,隐藏层6的节点数目为128,隐藏层7的节点数目为64,隐藏层8-10的节点数目为32,隐藏层11-15的节点数目为16,隐藏层16-19的节点数目为8,隐藏层20-21的节点数目为64,隐藏层22的节点数目为32,隐藏层23的节点数目为16,隐藏层24-26的节点数目为8。
根据输入参数的范围,利用3*2个神经网络模型协同预测气动力参数(主要包括CA、CN、Cmz和Xp)。
误差分析:求解预测数据与真实数据的平均绝对误差(MAE)和决定系数(R2)。气动力参数CA、CN、Cmz和Xp的MAE分别为:0.0015、0.063、0.063、0.0059,R2系数分别为:0.9991、0.9719、0.9511、0.6339。56个测试集预测数据的相对误差在5%以内。
本方法可以对亚、跨、超声速范围内的某型飞行器气动力参数进行预测,马赫数范围较宽,适用范围较广。
本方法可以在保证较高精度的条件下,对某型飞行器气动力参数进行快速预测。经过对大量测试集的预测结果进行分析,本方法对于气动力参数的预测相对误差基本控制在5%以内,满足相关精度要求。
本方法采用分段输入的方式,不同范围的输入参数交由相应的神经网络模型进行预测,在不影响神经网络模型训练时间和预测效率的基础上,进一步提升了预测的精度。
对于气动力参数的预测,通过引入气动力参数之间的物理关系,将其作为输入数据的一部分或者作为模型损失函数的一部分,可以提升气动力参数的预测精度。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于神经网络的飞行器气动特性预测方法,其特征在于,所述方法包括:
步骤1:采集预设飞行器在不同来流参数和外形参数下的气动特性参数,基于来流参数、外形参数和对应的气动特性参数获得第一训练集;
步骤2:根据预设来流参数范围划分方式将所述来流参数划分为M个范围区间;
步骤3:基于所述来流参数的范围区间划分数目,将第一训练集划分为M个第一子训练集,M为大于1的整数;
步骤4:构建M个第一飞行器气动特性预测模型,所述第一飞行器气动特性预测模型与所述第一子训练集一一对应,所述第一飞行器气动特性预测模型与所述来流参数的范围区间一一对应;
步骤5:基于M个所述第一子训练集分别训练对应的M个所述第一飞行器气动特性预测模型,获得M个第二飞行器气动特性预测模型;其中,将所述第一子训练集中的来流参数和外形参数作为输入,气动特性参数作为输出来训练所述第一飞行器气动特性预测模型;
步骤6:基于待预测飞行器的来流参数和外形参数获得第一数据;
步骤7:根据所述预设来流参数范围划分方式将所述第一数据划分为M个输入数据;
步骤8:将所述M个输入数据分别输入到对应的所述第二飞行器气动特性预测模型中,所述第二飞行器气动特性预测模型输出第一气动特性参数预测结果;
步骤9:基于M个所述第二飞行器气动特性预测模型对应的所述第一气动特性参数预测结果,获得所述待预测飞行器的气动特性参数预测结果;
所述来流参数包括:飞行器的来流马赫数和飞行器的攻角;
将所述来流参数划分为M个范围区间,具体包括:
将飞行器的来流马赫数划分为x个范围区间;
将飞行器的攻角划分为y个范围区间;
其中,M=x*y,*为乘号;
将飞行器的来流马赫数Ma划分为3个范围区间,分别为第一区间1:大于或等于0.4且小于0.8;第一区间2:大于或等于0.8且小于1.2;第一区间3:大于或等于1.2且小于或等于4;
将飞行器的攻角α划分为2个范围区间,分别为第二区间1:大于或等于0且小于10;第二区间2:大于或等于10且小于或等于30;
将来流参数划分为6个范围区间,分别为:Ma位于所述第一区间1且α位于所述第二区间1、Ma位于所述第一区间1且α位于所述第二区间2、Ma位于所述第一区间2且α位于所述第二区间1、Ma位于所述第一区间2且α位于所述第二区间2、Ma位于所述第一区间3且α位于所述第二区间1和Ma位于所述第一区间3且α位于所述第二区间2。
2.根据权利要求1所述的基于神经网络的飞行器气动特性预测方法,其特征在于,所述第一飞行器气动特性预测模型包括:用于提取共享参数的共享层和预测各个气动特性参数的特定任务层。
3.根据权利要求2所述的基于神经网络的飞行器气动特性预测方法,其特征在于,所述气动特性参数包括:轴向力系数CA、法向力系数CN、俯仰力矩系数Cmz和压心位置Xp。
4.根据权利要求3所述的基于神经网络的飞行器气动特性预测方法,其特征在于,在所述特定任务层中,将预测压心位置Xp的BP神经网络与法向力系数CN的输出层和俯仰力矩系数Cmz的输出层合并。
5.根据权利要求1所述的基于神经网络的飞行器气动特性预测方法,其特征在于,所述步骤1还包括:将采集的气动特性参数按照一定比例划分获得所述第一训练集、验证集和测试集,所述第一子训练集用于所述第一飞行器气动特性预测模型,更新模型的相关参数;所述验证集用于校正模型的超参数;所述测试集用于检验所述第二飞行器气动特性预测模型的预测结果。
6.根据权利要求1所述的基于神经网络的飞行器气动特性预测方法,其特征在于,所述步骤5还包括:通过计算平均绝对误差和决定系数,对所述第二飞行器气动特性预测模型的预测结果进行误差分析。
7.根据权利要求1所述的基于神经网络的飞行器气动特性预测方法,其特征在于,本方法基于所述第一子训练集训练所述第一飞行器气动特性预测模型的过程中,采用Pearson相关系数和随机森林的方法,对所述第一子训练集中的来流参数和外形参数进行分类与排序,并移除多余或重复的输入变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111147006.8A CN113609596B (zh) | 2021-09-29 | 2021-09-29 | 一种基于神经网络的飞行器气动特性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111147006.8A CN113609596B (zh) | 2021-09-29 | 2021-09-29 | 一种基于神经网络的飞行器气动特性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609596A CN113609596A (zh) | 2021-11-05 |
CN113609596B true CN113609596B (zh) | 2021-12-14 |
Family
ID=78343216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111147006.8A Active CN113609596B (zh) | 2021-09-29 | 2021-09-29 | 一种基于神经网络的飞行器气动特性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609596B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491788A (zh) * | 2021-12-27 | 2022-05-13 | 中国航天空气动力技术研究院 | 高超声速飞行器气动力预测方法、系统、电子设备及介质 |
CN114491789A (zh) * | 2021-12-27 | 2022-05-13 | 中国航天空气动力技术研究院 | 钝头体高超声速飞行器飞行参数预测方法、系统及设备 |
CN114297779A (zh) * | 2021-12-28 | 2022-04-08 | 中国航天空气动力技术研究院 | 一种飞行器气动力系数快速预测方法、系统及设备 |
CN114861292B (zh) * | 2022-03-22 | 2024-01-26 | 电子科技大学 | 一种基于深度学习的飞行器几何特征和参数联合建模方法 |
CN116206059B (zh) * | 2023-02-13 | 2023-12-01 | 北京医智影科技有限公司 | 模型训练方法 |
CN116029219B (zh) * | 2023-02-27 | 2023-07-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器气动热预测方法、装置、设备及存储介质 |
CN116227389A (zh) * | 2023-05-08 | 2023-06-06 | 中国空气动力研究与发展中心计算空气动力研究所 | 气动热数据的预测方法及装置 |
CN116628854A (zh) * | 2023-05-26 | 2023-08-22 | 上海大学 | 一种翼型气动特性预测方法、系统、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197368A (zh) * | 2017-12-27 | 2018-06-22 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种适用于飞行器复杂气动外形的几何约束及权函数简捷计算方法 |
CN108269197A (zh) * | 2016-12-30 | 2018-07-10 | 北京金风科创风电设备有限公司 | 风电机组功率特性评估方法及装置 |
CN111414720A (zh) * | 2020-02-17 | 2020-07-14 | 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流场旋涡检测方法 |
CN111563297A (zh) * | 2020-05-07 | 2020-08-21 | 电子科技大学 | 一种基于bp网络的超声速飞行器热环境计算方法 |
CN112446091A (zh) * | 2020-11-19 | 2021-03-05 | 中国航天空气动力技术研究院 | 一种基于人工神经网络的脉动压力预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635494B (zh) * | 2018-12-28 | 2023-08-01 | 中国航天空气动力技术研究院 | 一种飞行试验与地面仿真气动力数据综合建模方法 |
-
2021
- 2021-09-29 CN CN202111147006.8A patent/CN113609596B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108269197A (zh) * | 2016-12-30 | 2018-07-10 | 北京金风科创风电设备有限公司 | 风电机组功率特性评估方法及装置 |
CN108197368A (zh) * | 2017-12-27 | 2018-06-22 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种适用于飞行器复杂气动外形的几何约束及权函数简捷计算方法 |
CN111414720A (zh) * | 2020-02-17 | 2020-07-14 | 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流场旋涡检测方法 |
CN111563297A (zh) * | 2020-05-07 | 2020-08-21 | 电子科技大学 | 一种基于bp网络的超声速飞行器热环境计算方法 |
CN112446091A (zh) * | 2020-11-19 | 2021-03-05 | 中国航天空气动力技术研究院 | 一种基于人工神经网络的脉动压力预测方法 |
Non-Patent Citations (5)
Title |
---|
A new sampling method in particle filter based on pearsoncorrelationcoefficient;Haomiao Zhou等;《Neurocomputing》;20161231;第1-20页 * |
Aerodynamic Shape Optimization of the Common Research Model based on Improved BFGS Algorithm;Jing Yu等;《Tenth International Conference on Computational Fluid Dynamics》;20180731;第1-10页 * |
MR-CNN: A Multi-Scale Region-Based Convolutional Neural Network for Small Traffic Sign Recognition;ZHIGANG LIU等;《IEEE ACCESS》;20191231;第57120-57128页 * |
基于改进PSO算法优化极限学习机的气动光学成像偏移预测;吴玉洋等;《光电子与激光》;20200115(第01期);第1-3节 * |
飞行器多学科耦合伴随体系的现状与发展趋势;黄江涛等;《航空学报》(第05期);第6-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113609596A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113609596B (zh) | 一种基于神经网络的飞行器气动特性预测方法 | |
CN110222828B (zh) | 一种基于混合深度神经网络的非定常流场预测方法 | |
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
CN112580588B (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
CN111598435B (zh) | 一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法 | |
CN113688869B (zh) | 一种基于生成对抗网络的光伏数据缺失重构方法 | |
CN112446091A (zh) | 一种基于人工神经网络的脉动压力预测方法 | |
CN111597631A (zh) | 基于自适应代理模型的汽车风阻系数优化方法 | |
CN114492533A (zh) | 一种变工况轴承故障诊断模型的构建方法及应用 | |
CN112070103B (zh) | 通过微波链路网格化自适应可变尺度反演大气能见度的方法 | |
CN112597702A (zh) | 基于径向基函数的气动建模生成式对抗网络模型训练方法 | |
CN112949383A (zh) | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 | |
CN110889207A (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN115688563A (zh) | 一种基于多智能体进化强化学习的加工参数优化方法 | |
CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
CN113504768A (zh) | 面向装配质量预测的高精密产品数字孪生可计算性方法 | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
CN115206455B (zh) | 基于深度神经网络的稀土元素组分含量预测方法及系统 | |
CN113657020B (zh) | 一种用于气动数据处理的深度集群神经网络模型构建方法 | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 | |
CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN115033977B (zh) | 一种基于神经网络技术的地面实测脉动压力参数辨识方法 | |
CN116628854A (zh) | 一种翼型气动特性预测方法、系统、电子设备及存储介质 | |
CN111474905B (zh) | 一种机电产品制造过程参数漂移故障诊断方法 | |
CN111177975A (zh) | 一种基于人工智能的航空装备可用度预计方法 |
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 |