CN113777931A - 结冰翼型气动模型构造方法、装置、设备及介质 - Google Patents
结冰翼型气动模型构造方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113777931A CN113777931A CN202111317075.9A CN202111317075A CN113777931A CN 113777931 A CN113777931 A CN 113777931A CN 202111317075 A CN202111317075 A CN 202111317075A CN 113777931 A CN113777931 A CN 113777931A
- Authority
- CN
- China
- Prior art keywords
- icing
- airfoil
- network
- layer
- wing type
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了结冰翼型气动模型构造方法、装置、设备及介质,该方法包括:从翼型数据库中选择任一翼型作为基准翼型并获取所述基准翼型的结冰翼型数据;根据结冰翼型数据生成相应翼型的非结构化网格并计算结冰翼型在预设马赫数和预设攻角条件下的气动系数;根据所述气动系数构建结冰翼型气动模型的训练集和测试集;搭建结冰翼型气动模型的网络,包括主干网络和分支网络;对搭建的网络进行网络训练,得到结冰翼型气动模型。本发明与现有的基于计算流体动力学的结冰翼型气动系数计算方法相比,所构造的结冰翼型气动模型具有更快的预测速度。本发明可以将飞行状态作为输入去预测气动系数,在测试数据集上具有更强的泛化能力。
Description
技术领域
本发明属于深度学习与空气动力学技术领域,尤其涉及结冰翼型气动模型构造方法、装置、设备及介质。
背景技术
由于飞机在飞行过程中,可能会与云层中处于亚稳定状态的过冷水滴碰撞,使得飞机表面出现结冰现象。常见的结冰部位有机翼、尾翼、发动机进气道、座舱玻璃、空速管等突出部位。结冰主要会对飞机的飞行性能产生以下四点影响:第一,翼面的结冰会造成升力降低以及相应俯仰力矩的改变,从而导致飞机失速;第二,舵面的结冰会导致舵效损失,或者舵效会发生快速变化甚至反转;第三,飞机受到的阻力显著增加;第四,发动机效率的降低。可以看到,为分析结冰对飞机气动性能的影响,需要重点研究机翼结冰对气动特性的影响,通过对该影响的分析为结冰后的飞行性能评估提供支撑,进而指导飞机的适航设计。目前,常用的研究结冰翼型对气动特性影响的手段主要有结冰风洞试验、飞行试验以及数值计算。而数值计算方法中常用的技术方案有计算流体动力学(CFD)方法、结冰因子方法和BP神经网络方法等。
传统的基于结冰风洞试验、飞行试验以及计算流体动力学的结冰翼型气动模型具有成本高、效率低的缺点,基于BP神经网络的结冰翼型气动模型以及直接基于深度卷积网络的结冰翼型气动模型具有泛化能力弱的缺点。
发明内容
本发明的目的在于,为克服现有技术缺陷,提供了结冰翼型气动模型构造方法、装置、设备及介质,旨在解决上述问题。
本发明目的通过下述技术方案来实现:
一种结冰翼型气动模型构造方法,所述方法包括:
从翼型数据库中选择任一翼型作为基准翼型并获取所述基准翼型的结冰翼型数据;
根据结冰翼型数据生成相应翼型的非结构化网格并计算结冰翼型在预设马赫数和预设攻角条件下的气动系数;
根据所述气动系数构建结冰翼型气动模型的训练集和测试集;
搭建结冰翼型气动模型的网络,包括主干网络和分支网络;
对搭建的网络进行网络训练,得到结冰翼型气动模型。
进一步的,所述训练集的构建步骤具体包括:
将预设的用于训练集的结冰翼型图片处理为预设维度且像素点归一化到0-1之间的图片数据,同时将攻角归一化为-1°~1°之间的序列数据;
为每一个图片数据分配预设数量的攻角状态组成训练数据集的输入;
将结冰翼型与攻角对应的气动系数作为样本集的输出,生成训练数据集。
进一步的,所述测试集的构建步骤具体包括:
将预设的用于测试集的结冰翼型图片处理为预设维度且像素点归一化到0-1之间的图片数据,同时将攻角归一化为-1°~1°之间的序列数据;
为每一个图片数据分配预设数量的攻角状态组成测试集的输入;
将结冰翼型与攻角对应的气动系数作为数据集的输出,生成测试集。
进一步的,所述主干网络包含1个节点的输入层、一个20个节点的隐藏层以及一个20个节点的输出层,隐藏层和输出层的节点采用ReLU激活函数。
进一步的,所述分支网络包含一个输入层、三个卷积层、三个池化层、一个扁平层以及一个20个节点的输出层;其中第一个卷积层包含32个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,第二个卷积层包含64个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,第三个卷积层包含128个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,池化层的输出输入一个扁平层,最后扁平层的输出全连接到一个20个节点的输出层。
进一步的,所述对搭建的网络进行网络训练采用ADAM优化算法和小批量方法,参数设置为:ADAM算法的初始学习率为0.001,批大小为8,迭代轮数为10。
另一方面,本发明还提供了一种结冰翼型气动模型构造装置,所述装置包括:
数据获取模块,用于从翼型数据库中选择任一翼型作为基准翼型并获取所述基准翼型的结冰翼型数据;
气动系数计算模块,用于根据结冰翼型数据生成相应翼型的非结构化网格并计算结冰翼型在预设马赫数和预设攻角条件下的气动系数;
训练测试集构建模块,用于根据所述气动系数构建结冰翼型气动模型的训练集和测试集;
网络构建模块,用于搭建结冰翼型气动模型的网络,包括主干网络和分支网络;
网络训练模块,用于对搭建的网络进行网络训练,得到结冰翼型气动模型。
可选地,训练测试集构建模块将预设的用于训练集的结冰翼型图片处理为预设维度且像素点归一化到0-1之间的图片数据,同时将攻角归一化为-1°~1°之间的序列数据;
为每一个图片数据分配预设数量的攻角状态组成训练数据集的输入;
将结冰翼型与攻角对应的气动系数作为样本集的输出,生成训练数据集。
可选地,训练测试集构建模块将预设的用于测试集的结冰翼型图片处理为预设维度且像素点归一化到0-1之间的图片数据,同时将攻角归一化为-1°~1°之间的序列数据;
为每一个图片数据分配预设数量的攻角状态组成测试集的输入;
将结冰翼型与攻角对应的气动系数作为数据集的输出,生成测试集。
可选地,网络构建模块搭建的主干网络包含1个节点的输入层、一个20个节点的隐藏层以及一个20个节点的输出层,隐藏层和输出层的节点采用ReLU激活函数。
可选地,网络构建模块搭建的分支网络包含一个输入层、三个卷积层、三个池化层、一个扁平层以及一个20个节点的输出层。其中第一个卷积层包含32个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,第二个卷积层包含64个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,第三个卷积层包含128个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,池化层的输出输入一个扁平层,最后扁平层的输出全连接到一个20个节点的输出层。
可选地,网络训练模块对搭建的网络进行网络训练采用ADAM优化算法和小批量方法,参数设置为:ADAM算法的初始学习率为0.001,批大小为8,迭代轮数为10。
另一方面,本发明还提供了一种计算机设备,计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述的任意一种结冰翼型气动模型构造方法。
另一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述的任意一种结冰翼型气动模型构造方法。
本发明的有益效果在于:
(1)传统方案直接基于深度卷积神经网络的结冰翼型气动系数预测方法只能预测固定飞行状态点的气动系数,而本发明可以将飞行状态作为输入去预测气动系数。
(2)与传统方案直接基于深度卷积神经网络的结冰翼型气动系数预测方法,本发明在测试数据集上具有更强的泛化能力。
(3)与现有的基于计算流体动力学(CFD)的结冰翼型气动系数计算方法相比,利用本发明中训练好的网络进行结冰翼型气动系数的预测具有更快的速度。
附图说明
图1是本发明实施例1提供的结冰翼型气动模型构造方法流程示意图;
图2是本发明实施例1提供的结冰翼型气动模型构造方法训练集的构建流程示意图;
图3是本发明实施例1提供的结冰翼型气动模型构造方法测试集的构建流程示意图;
图4是深度算子网络结构示意图;
图5是翼型空间到气动系数空间映射示意图;
图6是本发明实施例1提供的结冰翼型气动模型构造方法构造的结冰翼型气动模型网络结构示意图;
图7是本发明实施例2提供的结冰翼型气动模型构造装置结构框图;
图8是本发明实施例1提供的结冰翼型气动模型构造方法构造的结冰翼型气动模型预测准确度随攻角变化情况;
其中图8(a)是训练集预测准确度随攻角变化情况;图8(b)是测试集预测准确度随攻角变化情况;
图9是本发明实施例1训练集和测试集上的结冰翼型气动模型与直接基于卷积神经网络的预测准确度随攻角变化情况;
其中,图9(a)是训练集预测准确度对比,图9(b)是测试集预测准确度对比。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
传统的直接基于深度卷积网络的结冰翼型气动系数模型只能预测固定飞行状态点的气动系数,而无法将飞行状态作为输入去预测气动系数。此外,传统的基于计算流体动力学的结冰翼型气动系数模型搭建需要深入了解空气动力学领域的相关知识,对模型搭建者的专业水平有较大限制。
为了解决上述技术问题,本发明提出了结冰翼型气动模型构造方法的各个实施例。本实施例是基于深度算子网络框架的思想构造一个用于预测结冰翼型气动系数的网络。
深度算子网络结构是由算子通用逼近定理确定出的,该网络用于对算子的学习,其中为输入函数,为输出函数。该深度算子网络可以有两种结构,一种是由一个主干网络和多个分支网络组成的堆叠深度算子网络,还有一种是由一个主干网络和一个分支网络组成的非堆叠深度算子网络。而经过Lu等人的测试发现,相对于堆叠深度算子网络,非堆叠深度算子网络具有更小的泛化误差,以及更快的训练速度。非堆叠深度算子网络如附图4所示,其中,分支网络的输入是输入函数的离散值,主干网络的输入为输出函数的原象y,然后将分支网络和主干网络的输出进行点乘并加一个偏置,得到组合网络的输出,该输出为输出函数作用在y位置的值。需要说明的是,由算子通用逼近定理可知,主干网络的最后一层节点需要应用激活函数,而分支网络不需要。
由于结冰翼型到其对应的气动系数的映射可以看作是两个函数空间之间的映射,即从翼型空间到气动系数空间的映射,,如附图5所示,其中,,表示像素大小为,具有c颜色通道的图片构成的集合;,m为网络的输出个数,即结冰翼型所对应的气动力系数的个数。因此,可以基于深度算子网络的思想构造一个用于预测结冰翼型气动系数的网络,该网络结构如附图6所示。从图中可以看出,基于深度算子的结冰翼型气动系数网络由一个用于编码翼型图片的分支网络和一个用于编码气动系数函数输入的主干网络组成。分支网络由深度卷积网络构成,该网络的输入为归一化的结冰翼型图片v,输出一个长度为向量;主干网络为一个深度全连接网络,该网络的输入为攻角,输出长度为向量。分支网络和主干网络可以分别表示为如下两个映射以及。
最后,利用ADAM优化算法得到网络的最优参数:
为了衡量基于深度算子的结冰翼型气动系数网络模型对气动系数的预测准确度,引入决定系数:
决定系数的值在[0,1]之间,其值越接近1,说明模型的预测准确度越好。
参照图1,如附图1所示是本实施例提供的结冰翼型气动模型构造方法流程示意图。该方法具体包括以下步骤:
步骤S100:从翼型数据库中选择任一翼型作为基准翼型并获取所述基准翼型的结冰翼型数据。
作为一种具体实施方式,本实施例以UICI翼型数据库中的NACA0012翼型为基准翼型,使用IRC2D翼型结冰数值仿真软件获取结冰翼型数据。
步骤S200:根据结冰翼型数据生成相应翼型的非结构化网格并计算结冰翼型在预设马赫数和预设攻角条件下的气动系数。
在本实施例中,将上述结冰翼型数据输入GRUMMP软件生成相应翼型的非结构化网格,随后采用MFLOW软件,在0.44马赫数, [-20°,20°]内以2°为间隔变化的攻角组合而成的21个状态点,计算结冰翼型对应的阻力系数。计算得到的阻力系数作为本实施例构建的结冰翼型气动网络的训练集和测试集。
步骤S300:根据所述气动系数构建结冰翼型气动模型的训练集和测试集。
具体地,如图2所示,训练数据集的生成步骤为:
如图3所示,验证数据集的生成步骤为:
步骤S400:搭建结冰翼型气动模型的网络,包括主干网络和分支网络。
在本实施例中,基于深度算子的结冰翼型气动系数网络采用Tensorflow2.0构建。该网络的输入为结冰翼型图片与攻角组成的输入数据对,输出为结冰翼型在输入攻角处的阻力系数。
具体地,主干网络的搭建:
主干网络包含1个节点的输入层、一个20个节点的隐藏层以及一个20个节点的输出层,隐藏层和输出层的节点采用ReLU激活函数。
分支网络的搭建:
分支网络包含一个输入层、三个卷积层、三个池化层、一个扁平层以及一个20个节点的输出层。其中第一个卷积层包含32个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,第二个卷积层包含64个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,第三个卷积层包含128个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,池化层的输出输入一个扁平层,最后扁平层的输出全连接到一个20个节点的输出层。
步骤S500:对搭建的网络进行网络训练,得到结冰翼型气动模型。
本算例基于ADAM优化算法,并使用小批量方法对所构建的网络进行训练。训练方法的具体参数设置为:ADAM算法的初始学习率为0.001,批大小为8,迭代轮数为10。
图8表示了网络在训练集和测试集上对应不同攻角的预测准确度。图8(a)是训练集预测准确度随攻角变化情况;图8(b)是测试集预测准确度随攻角变化情况。从图8可以看出,基于深度算子的结冰翼型气动系数网络的预测准确度在训练集上可以达到98.8%以上,而在测试集上更可以达到99%以上。
图9是本实施例训练集和测试集上的结冰翼型气动模型与直接基于卷积神经网络的预测准确度随攻角变化情况。图9(a)是训练集预测准确度对比,图9(b)是测试集预测准确度对比。从图9可以看出,相对于直接基于卷积神经网络的结冰翼型气动系数预测结果,本实施例所构建的结冰翼型气动模型在训练集和测试集上都有更高的准确度,而在测试集上更高的准确度表明本实施例所构建的结冰翼型气动模型具有更强的泛化能力。
本实施例提供的结冰翼型气动模型构造方法,与现有的基于计算流体动力学(CFD)的结冰翼型气动系数计算方法相比,本实施例提供的结冰翼型气动模型构造方法所构造的结冰翼型气动模型具有以下优点:利用本实施例中训练好的网络进行结冰翼型气动系数的预测具有更快的速度。
与现有的直接基于深度卷积神经网络的结冰翼型气动系数预测方法相比,本实施例提供的结冰翼型气动模型构造方法所构造的结冰翼型气动模型具有以下优点:直接基于深度卷积神经网络的结冰翼型气动系数预测方法只能预测固定飞行状态点的气动系数,而本实施例构造的结冰翼型气动模型可以将飞行状态作为输入去预测气动系数,在测试数据集上具有更强的泛化能力。
实施例2
参照图7,如附图7所示是本实施例提供的结冰翼型气动模型构造装置结构框图。该装置具体包括:
数据获取模块10,用于从翼型数据库中选择任一翼型作为基准翼型并获取所述基准翼型的结冰翼型数据;
气动系数计算模块20,用于根据结冰翼型数据生成相应翼型的非结构化网格并计算结冰翼型在预设马赫数和预设攻角条件下的气动系数;
训练测试集构建模块30,用于根据所述气动系数构建结冰翼型气动模型的训练集和测试集;
网络构建模块40,用于搭建结冰翼型气动模型的网络,包括主干网络和分支网络;
网络训练模块50,用于对搭建的网络进行网络训练,得到结冰翼型气动模型。
作为一种实施方式,训练测试集构建模块30将结预设的用于训练集的冰翼型图片处理为预设维度且像素点归一化到0-1之间的图片数据,同时将攻角归一化为-1°~1°之间的序列数据;
为每一个图片数据分配预设数量的攻角状态组成训练数据集的输入;
将结冰翼型与攻角对应的气动系数作为样本集的输出,生成训练数据集。
作为一种实施方式,训练测试集构建模块30将预设的用于测试集的结冰翼型图片处理为预设维度且像素点归一化到0-1之间的图片数据,同时将攻角归一化为-1°~1°之间的序列数据;
为每一个图片数据分配预设数量的攻角状态组成测试集的输入;
将结冰翼型与攻角对应的气动系数作为数据集的输出,生成测试集。
作为一种实施方式,网络构建模块40搭建的主干网络包含1个节点的输入层、一个20个节点的隐藏层以及一个20个节点的输出层,隐藏层和输出层的节点采用ReLU激活函数。
作为一种实施方式,网络构建模块40搭建的分支网络包含一个输入层、三个卷积层、三个池化层、一个扁平层以及一个20个节点的输出层。其中第一个卷积层包含32个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,第二个卷积层包含64个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,第三个卷积层包含128个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,池化层的输出输入一个扁平层,最后扁平层的输出全连接到一个20个节点的输出层。
作为一种实施方式,网络训练模块50对搭建的网络进行网络训练采用ADAM优化算法以及小批量方法对所构建的网络进行训练,参数设置为:ADAM算法的初始学习率为0.001,批大小为8,迭代轮数为10。
本实施例提供的结冰翼型气动模型构造装置,与现有的基于计算流体动力学(CFD)的结冰翼型气动系数计算方法相比,本实施例提供的结冰翼型气动模型构造方法所构造的结冰翼型气动模型具有以下优点:利用本实施例的装置训练好的网络进行结冰翼型气动系数的预测具有更快的速度。
与现有的直接基于深度卷积神经网络的结冰翼型气动系数预测方法相比,本实施例提供的结冰翼型气动模型构造装置所构造的结冰翼型气动模型具有以下优点:直接基于深度卷积神经网络的结冰翼型气动系数预测方法只能预测固定飞行状态点的气动系数,而本实施例构造的结冰翼型气动模型可以将飞行状态作为输入去预测气动系数,在测试数据集上具有更强的泛化能力。
实施例3
本优选实施例提供了一种计算机设备,该计算机设备可以实现本申请实施例所提供的结冰翼型气动模型构造方法任一实施例中的步骤,因此,可以实现本申请实施例所提供的结冰翼型气动模型构造方法的有益效果,详见前面的实施例,在此不再赘述。
实施例4
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的结冰翼型气动模型构造方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一结冰翼型气动模型构造方法实施例中的步骤,因此,可以实现本发明实施例所提供的任一结冰翼型气动模型构造方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种结冰翼型气动模型构造方法,其特征在于,所述方法包括:
从翼型数据库中选择任一翼型作为基准翼型并获取所述基准翼型的结冰翼型数据;
根据结冰翼型数据生成相应翼型的非结构化网格并计算结冰翼型在预设马赫数和预设攻角条件下的气动系数;
根据所述气动系数构建结冰翼型气动模型的训练集和测试集;
搭建结冰翼型气动模型的网络,包括主干网络和分支网络;
对搭建的网络进行网络训练,得到结冰翼型气动模型。
2.如权利要求1所述的结冰翼型气动模型构造方法,其特征在于,所述训练集的构建步骤具体包括:
将预设的用于训练集的结冰翼型图片处理为预设维度且像素点归一化到0-1之间的图片数据,同时将攻角归一化为-1°~1°之间的序列数据;
为每一个图片数据分配预设数量的攻角状态组成训练数据集的输入;
将结冰翼型与攻角对应的气动系数作为样本集的输出,生成训练数据集。
3.如权利要求1所述的结冰翼型气动模型构造方法,其特征在于,所述测试集的构建步骤具体包括:
将预设的用于测试集的结冰翼型图片处理为预设维度且像素点归一化到0-1之间的图片数据,同时将攻角归一化为-1°~1°之间的序列数据;
为每一个图片数据分配预设数量的攻角状态组成测试集的输入;
将结冰翼型与攻角对应的气动系数作为数据集的输出,生成测试集。
4.如权利要求1所述的结冰翼型气动模型构造方法,其特征在于,所述主干网络包含1个节点的输入层、一个20个节点的隐藏层以及一个20个节点的输出层,隐藏层和输出层的节点采用ReLU激活函数。
5.如权利要求1所述的结冰翼型气动模型构造方法,其特征在于,所述分支网络包含一个输入层、三个卷积层、三个池化层、一个扁平层以及一个20个节点的输出层;其中第一个卷积层包含32个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,第二个卷积层包含64个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,第三个卷积层包含128个尺寸为3×3的卷积核,卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层,池化层的输出输入一个扁平层,最后扁平层的输出全连接到一个20个节点的输出层。
6.如权利要求1所述的结冰翼型气动模型构造方法,其特征在于,所述对搭建的网络进行网络训练采用ADAM优化算法和小批量方法,参数设置为:ADAM算法的初始学习率为0.001,批大小为8,迭代轮数为10。
7.一种结冰翼型气动模型构造装置,其特征在于,所述装置包括:
数据获取模块,用于从翼型数据库中选择任一翼型作为基准翼型并获取所述基准翼型的结冰翼型数据;
气动系数计算模块,用于根据结冰翼型数据生成相应翼型的非结构化网格并计算结冰翼型在预设马赫数和预设攻角条件下的气动系数;
训练测试集构建模块,用于根据所述气动系数构建结冰翼型气动模型的训练集和测试集;
网络构建模块,用于搭建结冰翼型气动模型的网络,包括主干网络和分支网络;
网络训练模块,用于对搭建的网络进行网络训练,得到结冰翼型气动模型。
8.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至6任一项所述的结冰翼型气动模型构造方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至6任一项所述的结冰翼型气动模型构造方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111317075.9A CN113777931B (zh) | 2021-11-09 | 2021-11-09 | 结冰翼型气动模型构造方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111317075.9A CN113777931B (zh) | 2021-11-09 | 2021-11-09 | 结冰翼型气动模型构造方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113777931A true CN113777931A (zh) | 2021-12-10 |
CN113777931B CN113777931B (zh) | 2022-02-11 |
Family
ID=78956919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111317075.9A Active CN113777931B (zh) | 2021-11-09 | 2021-11-09 | 结冰翼型气动模型构造方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777931B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114625159A (zh) * | 2022-01-21 | 2022-06-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于被控变量的结冰飞机控制方法 |
CN114757109A (zh) * | 2022-06-14 | 2022-07-15 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种进气道内外结冰参数关系的测试方法、系统和用途 |
CN115879008A (zh) * | 2023-03-02 | 2023-03-31 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种数据融合模型训练方法、装置、设备及存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2430823A1 (en) * | 2002-06-05 | 2003-12-05 | National Research Council Of Canada | Morphogenetic modelling of in-flight icing |
CN202557799U (zh) * | 2011-12-27 | 2012-11-28 | 东南大学 | 飞机翼型超声波辅助热气联合防冰除冰装置 |
WO2013078629A1 (zh) * | 2011-11-30 | 2013-06-06 | 天津空中代码工程应用软件开发有限公司 | 飞行结冰的数值模拟方法 |
US20160343467A1 (en) * | 2014-06-03 | 2016-11-24 | Aurora Flight Sciences Corporation | Multi-functional composite structures |
US20190202568A1 (en) * | 2016-08-22 | 2019-07-04 | Norwegian University Of Science And Technology | Icing control system |
US20200079511A1 (en) * | 2018-09-07 | 2020-03-12 | The Boeing Company | Ice detection systems for aircraft and related methods |
EP3657905A2 (en) * | 2015-01-06 | 2020-05-27 | Battelle Memorial Institute | Uniform heat distribution in resistive heaters for anti-icing and de-icing |
CN111291505A (zh) * | 2020-05-08 | 2020-06-16 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于深度置信网络的翼型结冰冰形预测方法及装置 |
CN111814246A (zh) * | 2020-06-11 | 2020-10-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于生成对抗网络的翼型反设计方法 |
CN112046761A (zh) * | 2020-08-04 | 2020-12-08 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于统计检验和滤波的飞机结冰在线探测方法 |
CN112329359A (zh) * | 2020-11-12 | 2021-02-05 | 天津工业大学 | 一种明冰条件下风力机翼型气动性能的神经网络预测方法 |
CN112824061A (zh) * | 2019-11-20 | 2021-05-21 | 辉达公司 | 引导不确定性-意识策略优化:结合无模型和基于模型的策略用于有效采样学习 |
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN113191099A (zh) * | 2021-04-28 | 2021-07-30 | 北京航空航天大学 | 一种考虑结冰影响的无人机动力学建模方法 |
CN213932415U (zh) * | 2020-12-16 | 2021-08-10 | 武汉航空仪表有限责任公司 | 一种超声波结冰探测翼型试验装置 |
US20210252698A1 (en) * | 2020-02-14 | 2021-08-19 | Nvidia Corporation | Robotic control using deep learning |
CN113420503A (zh) * | 2021-06-11 | 2021-09-21 | 中国民航大学 | 基于温度序列相似性度量的积冰检测方法、系统、终端及应用 |
CN113434978A (zh) * | 2021-06-28 | 2021-09-24 | 成都安世亚太科技有限公司 | 一种航空飞行器结冰可靠性智能评估方法 |
US20210311196A1 (en) * | 2020-04-02 | 2021-10-07 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Fast Wind Flow Measurement by LiDAR in a Complex Terrain |
-
2021
- 2021-11-09 CN CN202111317075.9A patent/CN113777931B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2430823A1 (en) * | 2002-06-05 | 2003-12-05 | National Research Council Of Canada | Morphogenetic modelling of in-flight icing |
WO2013078629A1 (zh) * | 2011-11-30 | 2013-06-06 | 天津空中代码工程应用软件开发有限公司 | 飞行结冰的数值模拟方法 |
CN202557799U (zh) * | 2011-12-27 | 2012-11-28 | 东南大学 | 飞机翼型超声波辅助热气联合防冰除冰装置 |
US20160343467A1 (en) * | 2014-06-03 | 2016-11-24 | Aurora Flight Sciences Corporation | Multi-functional composite structures |
EP3657905A2 (en) * | 2015-01-06 | 2020-05-27 | Battelle Memorial Institute | Uniform heat distribution in resistive heaters for anti-icing and de-icing |
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
US20190202568A1 (en) * | 2016-08-22 | 2019-07-04 | Norwegian University Of Science And Technology | Icing control system |
US20200079511A1 (en) * | 2018-09-07 | 2020-03-12 | The Boeing Company | Ice detection systems for aircraft and related methods |
CN112824061A (zh) * | 2019-11-20 | 2021-05-21 | 辉达公司 | 引导不确定性-意识策略优化:结合无模型和基于模型的策略用于有效采样学习 |
US20210252698A1 (en) * | 2020-02-14 | 2021-08-19 | Nvidia Corporation | Robotic control using deep learning |
US20210311196A1 (en) * | 2020-04-02 | 2021-10-07 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Fast Wind Flow Measurement by LiDAR in a Complex Terrain |
CN111291505A (zh) * | 2020-05-08 | 2020-06-16 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于深度置信网络的翼型结冰冰形预测方法及装置 |
CN111814246A (zh) * | 2020-06-11 | 2020-10-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于生成对抗网络的翼型反设计方法 |
CN112046761A (zh) * | 2020-08-04 | 2020-12-08 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于统计检验和滤波的飞机结冰在线探测方法 |
CN112329359A (zh) * | 2020-11-12 | 2021-02-05 | 天津工业大学 | 一种明冰条件下风力机翼型气动性能的神经网络预测方法 |
CN213932415U (zh) * | 2020-12-16 | 2021-08-10 | 武汉航空仪表有限责任公司 | 一种超声波结冰探测翼型试验装置 |
CN113191099A (zh) * | 2021-04-28 | 2021-07-30 | 北京航空航天大学 | 一种考虑结冰影响的无人机动力学建模方法 |
CN113420503A (zh) * | 2021-06-11 | 2021-09-21 | 中国民航大学 | 基于温度序列相似性度量的积冰检测方法、系统、终端及应用 |
CN113434978A (zh) * | 2021-06-28 | 2021-09-24 | 成都安世亚太科技有限公司 | 一种航空飞行器结冰可靠性智能评估方法 |
Non-Patent Citations (12)
Title |
---|
ALEXANDER V. IVANOV,等: "Toward to usage of regularized Stefan problem solution in icing modeling", 《2020 IVANNIKOV ISPRAS OPEN CONFERENCE (ISPRAS)》 * |
TAO GUO,等: "An efficient and robust ice accretion code: NUAA-ICE2D", 《2016 IEEE INTERNATIONAL CONFERENCE ON AIRCRAFT UTILITY SYSTEMS (AUS)》 * |
XINHAI CHEN,等: "An Airfoil Mesh Quality Criterion using Deep Neural Networks", 《2020 12TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE (ICACI)》 * |
何磊,等: "机器学习方法在气动特性建模中的应用", 《空气动力学学报》 * |
张强等: "基于神经网络的翼型积冰预测", 《飞行力学》 * |
张瑞民等: "基于神经网络的非定常气动力建模研究", 《计算机仿真》 * |
李寒清等: "三维机翼结冰外形生成及流场分析", 《复旦学报(自然科学版)》 * |
琚亚平等: "利用试验设计法建立翼型气动特性的人工神经网络模型", 《航空学报》 * |
袁坤刚等: "积冰几何特性对翼型性能影响的神经网络预测", 《北京航空航天大学学报》 * |
邵元培等: "大飞机机翼结冰对飞行动力学特性影响研究", 《飞行力学》 * |
钟长生等: "结冰对飞机动力学特性影响的分析方法及其进展", 《飞行力学》 * |
陈海等: "基于深度学习的翼型气动系数预测", 《空气动力学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114625159A (zh) * | 2022-01-21 | 2022-06-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于被控变量的结冰飞机控制方法 |
CN114757109A (zh) * | 2022-06-14 | 2022-07-15 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种进气道内外结冰参数关系的测试方法、系统和用途 |
CN114757109B (zh) * | 2022-06-14 | 2022-08-23 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种进气道内外结冰参数关系的测试方法、系统 |
CN115879008A (zh) * | 2023-03-02 | 2023-03-31 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种数据融合模型训练方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113777931B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113777931B (zh) | 结冰翼型气动模型构造方法、装置、设备及介质 | |
CN112016167B (zh) | 基于仿真和优化耦合的飞行器气动外形设计方法及系统 | |
CN112947534B (zh) | 一种高超声速飞行器下压段自适应伪谱法轨迹优化方法 | |
CN112084727A (zh) | 一种基于神经网络的转捩预测方法 | |
CN107122526B (zh) | 基于异态特征子集集成算法的试验段马赫数建模方法 | |
CN116029219B (zh) | 一种飞行器气动热预测方法、装置、设备及存储介质 | |
CN110516318B (zh) | 基于径向基函数神经网络代理模型的翼型设计方法 | |
CN112414668B (zh) | 一种风洞试验数据静气弹修正方法、装置、设备及介质 | |
CN112329140A (zh) | 基于改进位置向量期望改善度的变体飞行器气动优化方法 | |
CN111813146A (zh) | 基于bp神经网络预测航程的再入预测-校正制导方法 | |
Moin et al. | Airfoil’s aerodynamic coefficients prediction using artificial neural network | |
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 | |
CN110929339B (zh) | 高精度亚音速固定翼飞行器非线性动力学建模方法 | |
CN115880497A (zh) | 基于自编码器结合多层感知机的翼型结冰冰形预测方法 | |
CN111199105A (zh) | 一种扑翼运动参数优化方法 | |
CN113221237B (zh) | 一种基于降阶建模的大迎角颤振分析方法 | |
CN110765706A (zh) | 基于ohngbm(1,1)的翼型非定常失速气动系数建模方法 | |
Du et al. | Super resolution generative adversarial networks for multi-fidelity pressure distribution prediction | |
CN110083946B (zh) | 一种基于无约束优化模型的多状态模型修正的方法 | |
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 | |
Obayashi | Pareto solutions of multipoint design of supersonic wings using evolutionary algorithms | |
CN112416913B (zh) | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 | |
CN105260498B (zh) | 一种大型民机机翼变弯度设计方法 | |
CN115033992A (zh) | 大攻角非定常气动力建模方法、介质、处理器及设备 | |
CN114186477A (zh) | 一种基于Elman神经网络的轨道预测算法 |
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 |