CN113836805B - 一种列车表面压力预测方法、装置、电子设备及存储介质 - Google Patents

一种列车表面压力预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113836805B
CN113836805B CN202111088913.XA CN202111088913A CN113836805B CN 113836805 B CN113836805 B CN 113836805B CN 202111088913 A CN202111088913 A CN 202111088913A CN 113836805 B CN113836805 B CN 113836805B
Authority
CN
China
Prior art keywords
pressure
coefficient
train
modal
train body
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
CN202111088913.XA
Other languages
English (en)
Other versions
CN113836805A (zh
Inventor
刘雯
梁瑜
任坤华
齐洪峰
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.)
CRRC Industry Institute Co Ltd
Original Assignee
CRRC Academy Co Ltd
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 CRRC Academy Co Ltd filed Critical CRRC Academy Co Ltd
Priority to CN202111088913.XA priority Critical patent/CN113836805B/zh
Publication of CN113836805A publication Critical patent/CN113836805A/zh
Application granted granted Critical
Publication of CN113836805B publication Critical patent/CN113836805B/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
    • G06F30/28—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
    • G06N3/04—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
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

Abstract

本发明提供了一种列车表面压力预测方法、装置、电子设备及存储介质，包括：获取待测列车体表面上压力传感器所得到的压力系数；投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数；将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布。本发明能够根据待测列车体表面上压力传感器所得到的压力系数在神经网络模型中进行直接预测，从而快捷方便且精准的确定待测列车表面的压力系数分布，适用性和应用性极强。

Description

一种列车表面压力预测方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种列车表面压力预测方法、装置、电子设备及存储介质。
背景技术
列车空气动力学是高速列车设计、研发和维护过程中需要重点关注的问题之一，其研究主要集中在车体表面压力和列车所受气动力方面。列车表面压力分布可以直观反映列车各部位所受载荷，从而分析部件结构强度，保障并提高列车运行安全性；可以检验列车局部外形的设计合理性，指导选取空调进排风口位置等；因此，明晰高速列车的表面压力分布非常重要。
目前，高速列车空气动力学的研究方法主要包括试验方法和数值模拟方法(即CFD仿真)，试验方法主要包括线路试验、风洞试验和动模型试验。对于CFD仿真而言，可以直接得到列车的表面压力分布及其气动力，但每一次完整的数值计算都需要较大的时间投入和计算成本。对于试验方法而言，相比于风洞试验，线路试验和动模型试验可以更准确地反映出高速列车的真实流场，可以更全面地模拟高速列车的运行环境，然而，这两种方法在表面压力分布和气动力测量等方面存在较大限制。例如，在试验方法中，压力系数一般通过安装压力传感器来直接测量，但受车体强度、工艺和成本限制只能安装有限个传感器元件，无法得到车体表面整个的压力分布。列车所受气动力一般通过六分量测力天平进行测量，但受轨道干扰极大，导致力曲线大幅振荡，很难得到有效、准确的数据；且该方法在线路试验中暂时无法实现。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种列车表面压力预测方法、装置、电子设备及存储介质。
第一方面，本发明实施例提供一种列车表面压力预测方法，包括：
利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数；其中，所述简化问题为样本列车体表面上压力传感器所得到的样本压力系数，所述目标问题为样本列车体表面的样本压力系数分布；
基于简化问题的模态系数和目标问题的模态系数构建预设的模型；
获取待测列车体表面上压力传感器所得到的压力系数；
将所述待测列车体表面上压力传感器所得到的压力系数在所述简化问题的基函数上进行投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数；
将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布；其中，所述预设的模型为将样本列车体表面上压力传感器所得到的压力系数，和，与所述样本列车体表面上压力传感器所得到的压力系数对应的模态系数作为输入数据，通过机器学习训练得到的，用于预测列车体表面的压力系数分布的模型。
进一步地，在所述利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数之前，还包括：
根据训练样本分别构建简化问题和目标问题；
相应地，所述利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数，具体包括：
利用流场分解法对所述简化问题和所述目标问题进行分解运算，得到所述简化问题的基函数和模态系数，和，所述目标问题的基函数和模态系数。
进一步地，所述流场分解法为本征正交分解法。
进一步地，还包括：
对所述与所述压力系数对应的所述待测列车体表面的压力系数分布进行积分，得到与所述压力系数分布对应的压差气动力。
进一步地，将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布，具体包括：
将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型；
基于与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数通过所述预设的模型映射出与所述待测列车体表面的压力系数对应的第二模态系数；
基于与所述待测列车体表面的压力系数对应的第二模态系数和所述目标问题的基函数进行流场重构，得到由所述预设的模型输出的待测列车体表面的压力系数分布。
第二方面，本发明实施例提供了一种列车表面压力预测装置，包括：
确定模块，用于利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数；其中，所述简化问题为样本列车体表面上压力传感器所得到的样本压力系数，所述目标问题为样本列车体表面的样本压力系数分布；
第一构建模块，用于基于简化问题的模态系数和目标问题的模态系数构建预设的模型；
获取模块，用于获取待测列车体表面上压力传感器所得到的压力系数；
投影模块，用于将所述待测列车体表面上压力传感器所得到的压力系数在所述简化问题的基函数上进行投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数；
预测模块，用于将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布；其中，所述预设的模型为将样本列车体表面上压力传感器所得到的压力系数，和，与所述样本列车体表面上压力传感器所得到的压力系数对应的模态系数作为输入数据，通过机器学习训练得到的，用于预测列车体表面的压力系数分布的模型。
进一步地，还包括：第二构建模块，
所述第二构建模块，用于根据训练样本分别构建简化问题和目标问题；
相应地，所述确定模块，具体用于：
利用流场分解法对所述简化问题和所述目标问题进行分解运算，得到所述简化问题的基函数和模态系数，和，所述目标问题的基函数和模态系数。
进一步地，所述确定模块中的所述流场分解法为本征正交分解法。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上第一方面所述的列车表面压力预测方法的步骤。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的列车表面压力预测方法的步骤。
由上述技术方案可知，本发明实施例提供的列车表面压力预测方法、装置、电子设备及存储介质，通过利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数；其中，所述简化问题为样本列车体表面上压力传感器所得到的样本压力系数，所述目标问题为样本列车体表面的样本压力系数分布；基于简化问题的模态系数和目标问题的模态系数构建预设的模型；获取待测列车体表面上压力传感器所得到的压力系数；将所述待测列车体表面上压力传感器所得到的压力系数在所述简化问题的基函数上进行投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数；将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布；其中，所述预设的模型为将样本列车体表面上压力传感器所得到的压力系数，和，与所述样本列车体表面上压力传感器所得到的压力系数对应的模态系数作为输入数据，通过机器学习训练得到的，用于预测列车体表面的压力系数分布的模型。本发明能够根据待测列车体表面上压力传感器所得到的压力系数在神经网络模型中进行直接预测，从而快捷方便且精准的确定待测列车表面的压力系数分布，适用性和应用性极强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的列车表面压力预测方法的流程示意图；
图2为本发明一实施例提供的神经网络模型的训练流程示意图；
图3为本发明一实施例提供的神经网络模型的预测流程示意图；
图4为本发明一实施例提供的简化问题中压力系数监测点的分布示意图；
图5为本发明一实施例提供的列车表面压力预测方法所确定的列车表面的压力云图；
图6为本发明一实施例提供的CFD仿真计算所确定的列车表面的压力云图；
图7为本发明一实施例提供的坐标系及验证点位置的示意图；
图8为本发明一实施例提供的列车表面压力预测装置的结构示意图；
图9为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。下面将通过具体的实施例对本发明提供的列车表面压力预测方法进行详细解释和说明。
图1为本发明一实施例提供的列车表面压力预测方法的流程示意图；如图1所示，该方法包括：
步骤101：利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数；其中，所述简化问题为样本列车体表面上压力传感器所得到的样本压力系数，所述目标问题为样本列车体表面的样本压力系数分布。
步骤102：基于简化问题的模态系数和目标问题的模态系数构建预设的模型。
步骤103：获取待测列车体表面上压力传感器所得到的压力系数。
步骤104：将所述待测列车体表面上压力传感器所得到的压力系数在所述简化问题的基函数上进行投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数。
步骤105：将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布；其中，所述预设的模型为将样本列车体表面上压力传感器所得到的压力系数，和，与所述样本列车体表面上压力传感器所得到的压力系数对应的模态系数作为输入数据，通过机器学习训练得到的，用于预测列车体表面的压力系数分布的模型。
在本实施例中，针对与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数，需要说明的是，第一模态系数表示很多数据组成的矩阵，进而在输入至所述预设的模型时可以将所述第一模态系数中的全部数据作为输入数据，还可以将所述第一模态系数中的部分数据作为输入数据。
在本实施例中，可以理解的是，流场分解方法如本征正交分解法、动力学模态分解法、变分模态分解法、以及衍生方法如双正交分解法等。
在本实施例中，需要说明的是，本发明实施例提供的列车表面压力预测方法可以应用于试验研究中，尤其是线路试验和动模型试验中，可以在所研究列车模型的表面安装有限个压力传感器并测得对应的压力系数，输入预设的神经网络模型即可预测得到所研究列车模型的表面压力分布，具有快捷方便且精度高的优势，同时弥补了试验研究的技术空白。
在本实施例中，需要说明的是，本发明实施例提供的列车表面压力预测方法，涉及流体力学与机器学习交叉技术领域。该方法包括训练过程和预测过程两部分：
训练过程：根据训练样本分别构建简化问题和目标问题，简化问题即为列车(或高速列车)表面上有限个位置处的压力系数，目标问题即为列车(或高速列车)表面的压力系数分布；利用流场分解方法对简化问题和目标问题的压力系数分布分别进行分解运算，得到各自的基函数和模态系数；建立神经网络模型，对目标问题和简化问题的模态系数进行训练，从而得到两者之间的映射关系。
训练完成后，可以快速对其他新工况或新列车模型(即待测列车)的表面压力分布进行预测。
预测过程：通过试验方法得到新的简化问题，即新工况或新列车表面上有限个位置处的压力系数；将其在训练过程中的简化问题基函数上进行投影，得到相应的模态系数；最后结合训练过程中的目标问题基函数，直接重构出新目标问题的解，即新列车表面的压力系数分布。优选的，将其在训练过程中的简化问题基函数上进行投影，得到相应的模态系数之后，通过已建立好的神经网络模型映射出新目标问题的模态系数；最后结合训练过程中的目标问题基函数，直接重构出新目标问题的解，即新列车表面的压力系数分布。
本发明实施例提供的列车表面压力预测方法，一方面可以通过有限个位置处的压力系数而快速预测得到列车表面的压力系数分布，大大减小了计算或试验成本；另一方面所采用的预设神经网络模型减小了神经网络规模，简化了神经网络结构。其中，神经网络模型的训练样本，可以借用原有的数据库，也可以即时通过CFD仿真或试验方法对数据库进行补充，一旦训练完成，可广泛应用于同类型问题研究，且满足工程实际需求。
由上面技术方案可知，本发明实施例提供的列车表面压力预测方法，通过利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数；其中，所述简化问题为样本列车体表面上压力传感器所得到的样本压力系数，所述目标问题为样本列车体表面的样本压力系数分布；基于简化问题的模态系数和目标问题的模态系数构建预设的模型；获取待测列车体表面上压力传感器所得到的压力系数；将所述待测列车体表面上压力传感器所得到的压力系数在所述简化问题的基函数上进行投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数；将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布；其中，所述预设的模型为将样本列车体表面上压力传感器所得到的压力系数，和，与所述样本列车体表面上压力传感器所得到的压力系数对应的模态系数作为输入数据，通过机器学习训练得到的，用于预测列车体表面的压力系数分布的模型。本发明能够根据待测列车体表面上压力传感器所得到的压力系数在神经网络模型中进行直接预测，从而快捷方便且精准的确定待测列车表面的压力系数分布，适用性和应用性极强。
在上述实施例的基础上，在本实施例中，在所述利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数之前，还包括：
根据训练样本分别构建简化问题和目标问题；
相应地，所述利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数，具体包括：
利用流场分解法对所述简化问题和所述目标问题进行分解运算，得到所述简化问题的基函数和模态系数，和，所述目标问题的基函数和模态系数。
在上述实施例的基础上，在本实施例中，所述流场分解法为本征正交分解法。
在本实施例中，需要说明的是，本征正交分解方法是一种有效的流场降阶、简化方法，它将流场分解成一系列基函数和其随时间变化的系数的线性叠加，并将这些基函数按照能量进行降序排列，通过捕捉高能量的流场模态来提取流场的重要相干结构，从而起到降阶作用。
由上面技术方案可知，本发明实施例提供的列车表面压力预测方法，在训练过程中结合了本征正交分解方法的降阶、简化功能，可以将流场分解成一系列基函数及其模态系数的线性叠加，并将这些基函数按照能量进行排序，从而有效提取主要流场特征。
在上述实施例的基础上，在本实施例中，还包括：
对所述与所述压力系数对应的所述待测列车体表面的压力系数分布进行积分，得到与所述压力系数分布对应的压差气动力。
由上面技术方案可知，本发明实施例提供的列车表面压力预测方法，通过对所述与所述压力系数对应的所述待测列车体表面的压力系数分布进行积分可以得到列车所受压差气动力(即与所述压力系数分布对应的压差气动力)，从而能够帮助了解列车运行条件。
在上述实施例的基础上，在本实施例中，将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布，具体包括：
将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型；
基于与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数通过所述预设的模型映射出与所述待测列车体表面的压力系数对应的第二模态系数；
基于与所述待测列车体表面的压力系数对应的第二模态系数和所述目标问题的基函数进行流场重构，得到由所述预设的模型输出的待测列车体表面的压力系数分布。
该方法并非直接通过压力系数建立预设模型，而是引入流场分解方法得到基函数和模态系数，通过模态系数建立预设模型，通过基函数进行流场分解和重构，可以大大减小神经网络规模、简化神经网络结构，进一步减小成本、提高效率。
为了更好的理解本发明，下面结合实施例进一步阐述本发明的内容，但本发明不仅仅局限于下面的实施例。
参见图2所示的训练过程，步骤11：收集训练样本，并分别构建各样本的简化问题和目标问题。在本实施例中，简化问题即为高速列车表面上有限个位置处的压力系数，目标问题即为高速列车体表面的压力系数分布。
步骤12：利用流场分解方法对简化问题和目标问题的压力系数分布分别进行分解运算，得到各自的基函数和模态系数。在本实施例中，流场分解方法可以采用本征正交分解方法(POD)。
POD分解通过以下公式进行：
Figure BDA0003266788690000111
可各自独立写为：
Figure BDA0003266788690000112
Figure BDA0003266788690000113
其中，矩阵A代表了简化问题或目标问题的压力系数分布，下标simp代表简化问题，下标goal代表目标问题，m为训练样本的数量，
Figure BDA0003266788690000114
为一个流场模态，/>
Figure BDA0003266788690000115
为模态的基函数，ak(t)为模态系数，k代表了第k阶模态。分解完成后，简化问题和目标问题的基函数留到预测阶段使用，简化问题和目标问题的模态系数则用来训练神经网络。
步骤13：建立神经网络模型，对简化问题和目标问题的模态系数进行训练，从而得到两者之间的映射关系。在这里，本实施例可以对所有阶的模态系数进行训练，精度最高；也可以对能量占比较高(一般不低于95％)的前r阶模态系数进行训练，这是因为经POD分解后的流场模态是按照能量进行降序排列的，且重要模态主要分布在前几阶，仅选取前r阶模态既可以满足一定的精度，同时可以降低成本；r不是一个定值，需要具体问题具体分析，且简化问题与目标问题的r值是相互独立的，r≤m。
步骤14：经过以上过程，可以得到训练好的神经网络模型。在本实施例中，不对神经网络结构进行限制。
参见图3所示的预测过程，步骤21：对于一个新列车模型或新运行工况而言，在列车表面上随机布设n个(一般n≥20)压力传感器或压力监测点，通过试验方法得到这n个位置处的压力系数，即为预测阶段的简化问题(以下称为新简化问题)。
步骤22：将步骤21得到的n个压力系数在步骤12(即训练过程)中的简化问题基函数上进行投影，可以得到相应的模态系数，即新简化问题的模态系数。在这里，投影过程通过以下公式进行：
Figure BDA0003266788690000121
其中，
Figure BDA0003266788690000122
为训练过程中简化问题的模态基函数；矩阵A′simp为新简化问题，即步骤21得到的n个压力系数；a′simp,k(t)则为新简化问题的模态系数。
步骤23：利用已建立好的神经网络模型进行预测，输入层为新简化问题的模态系数a′simp,k(t)，输出层为预测阶段目标问题(以下称为新目标问题)的模态系数a′goal,k(t)。
步骤24：得到新目标问题的模态系数后，结合步骤12(即训练过程)中的目标问题基函数，可以直接重构出新目标问题的解。在这里，重构过程通过以下公式进行：
Figure BDA0003266788690000131
其中，
Figure BDA0003266788690000132
为训练过程中目标问题的模态基函数，a′goal，k(t)为新目标问题的模态系数，矩阵A′goal代表了新目标问题的解。
步骤25：经过以上过程，即可得到新运行工况或新列车模型的表面压力系数分布；对压力系数分布进行积分可以得到压差气动力。
本发明实施例提供的列车表面压力预测方法，至少具有下述4点优势：
(1)本实施例所提供的列车表面压力预测方法，通过训练过程和预测过程两部分，可以实现从有限个压力系数到列车表面压力分布的直接预测。当得到一个新头型或新工况时，可以在列车模型的表面安装n个压力传感器并测得对应的压力系数，从而预测得到该列车模型的压力分布，大大减小了计算或试验成本，弥补了试验研究的技术空白。
(2)本实施例所提供的列车表面压力预测方法，其所述预设的神经网络模型的训练过程结合了流场分解方法的降阶、简化功能，可以将流场分解成一系列基函数及其模态系数的线性叠加，并将这些基函数按照能量进行排序，从而有效提取主要流场特征。与直接进行神经网络训练相比，能够将对流场数据(海量)的学习转变为对模态系数(少量)的学习，减小了神经网络规模，简化了神经网络结构。
(3)本实施例所提供的列车表面压力预测方法，其中的神经网络模型训练样本，可以借用铁路系统原有的数据库，也可以即时通过CFD仿真或试验方法进行补充，一旦训练完成，可广泛应用于同类型问题研究，且满足工程实际需求。
(4)本实施例所提供的列车表面压力预测方法，除了适用于高速列车车体、风挡、弓网系统、转向架系统外，还适用于其他领域中物体表面压力的求取和分析，适用及应用性强。
进一步地，为了更好的验证本实施例所提供的列车表面压力预测方法，下面以国内某型高速列车为例进行验证，在进行空气动力学仿真或试验时，研究对象为三编组列车，运行工况为横风运行(车速360km/h，横风风速33m/s)。
简化问题是头车鼻锥处27个监测点的压力系数，目标问题是列车头车车体(未考虑转向架系统)的表面压力分布。需要说明的是，27个监测点的布设位置没有具体规定的坐标点，如图4所示，优选但不限制布设在列车表面具有鲜明流动特征处，以保证对流场特性的捕捉，提高预测精度。
在本实施例进行验证过程中，训练神经网络时，输入层选取了简化问题的前2阶模态系数，对应的能量占比大于99.9％；输出层选取了目标问题的前10阶模态系数，对应的能量占比大于99.5％。神经网络构造了2个隐藏层，每层节点数均为50。设置学习率为1.0×10-4。
为了说明列车表面压力预测方法的有效性，同时进行了CFD仿真计算，通过相关软件，使用公认合理的控制方程、网格拓扑和物理模型等，直接计算得到了列车头车车体(未考虑转向架系统)的表面压力分布和压差气动力。并与本实施例所提供的列车表面压力预测方法所得到的表面压力分布和压差气动力进行了对比。
通过本实施例所提供的列车表面压力预测方法所预测得到的列车表面压力云图如图5所示；直接进行CFD仿真计算所得到的列车表面压力云图如图6所示。由图5和图6可见，两种方法所得到的表面压力分布几乎一致，高压区和低压区的位置、大小、范围均得到很好地预测。其中，任意选取五个验证点，点①位于车头鼻尖处，点②位于车头鼻锥附近，点③位于车顶中线位置，点④与点⑤位于车体侧窗处，两者沿Y＝0平面对称布置，如图7所示，五个验证点的相对位置均以头车鼻尖处作为坐标原点。表1统计了五个点的CFD仿真压力结果和本实施例所提供的列车表面压力预测方法的预测压力结果。可以看到，本实施例所提供的列车表面压力预测方法预测得到的表面压力精度较高，绝对误差不超过30Pa，相对误差控制在1.5％以内。
表1列车头车验证点的表面压力对比表
Figure BDA0003266788690000151
对压力分布进行积分可以得到压差气动力，积分公式为：
Figure BDA0003266788690000152
其中，Fp1为头车的压差气动阻力，Fp2为头车的压差气动升力，Fp3为头车的压差气动侧向力；t为车体表面离散单元的个数，Pi为第i个单元的表面压力，Si为第i个单元的面积，n为第i个单元的单位法矢量。
根据空气动力学的基本理论，气动力系数定义为：
Cd＝2Fp1/(ρV2S)
Cl＝2Fp2/(ρV2S)
Cs＝2Fp3/(ρV2S)
式中：Cd为压差气动阻力系数、Cl为压差气动升力系数、Cs为压差气动侧向力系数；ρ为空气来流密度；S为列车迎风面积，即横截面面积；V为列车运行速度。
经过统计，本实施例所提供的列车表面压力预测方法与直接进行CFD仿真计算所得到的头车压差气动力系数对比表如下，参见表2，可见预测结果与CFD仿真计算结果基本一致。
表2列车头车的压差气动力系数对比表
Figure BDA0003266788690000161
图8为本发明一实施例提供的列车表面压力预测装置的结构示意图，如图8所示，该装置包括：确定模块201、第一构建模块202、获取模块203、投影模块204和预测模块205，其中：
其中，确定模块201，用于利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数；其中，所述简化问题为样本列车体表面上压力传感器所得到的样本压力系数，所述目标问题为样本列车体表面的样本压力系数分布；
第一构建模块202，用于基于简化问题的模态系数和目标问题的模态系数构建预设的模型；
获取模块203，用于获取待测列车体表面上压力传感器所得到的压力系数；
投影模块204，用于将所述待测列车体表面上压力传感器所得到的压力系数在所述简化问题的基函数上进行投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数；
预测模块205，用于将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布；其中，所述预设的模型为将样本列车体表面上压力传感器所得到的压力系数，和，与所述样本列车体表面上压力传感器所得到的压力系数对应的模态系数作为输入数据，通过机器学习训练得到的，用于预测列车体表面的压力系数分布的模型。
本发明实施例提供的列车表面压力预测装置具体可以用于执行上述实施例的列车表面压力预测方法，其技术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。
基于相同的发明构思，本发明实施例提供一种电子设备，参见图9，电子设备具体包括如下内容：处理器301、通信接口303、存储器302和通信总线304；
其中，处理器301、通信接口303、存储器302通过通信总线304完成相互间的通信；通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；处理器301用于调用存储器302中的计算机程序，处理器执行计算机程序时实现上述各方法实施例所提供的方法，例如，处理器执行计算机程序时实现下述步骤：利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数；其中，所述简化问题为样本列车体表面上压力传感器所得到的样本压力系数，所述目标问题为样本列车体表面的样本压力系数分布；基于简化问题的模态系数和目标问题的模态系数构建预设的模型；获取待测列车体表面上压力传感器所得到的压力系数；将所述待测列车体表面上压力传感器所得到的压力系数在所述简化问题的基函数上进行投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数；将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布；其中，所述预设的模型为将样本列车体表面上压力传感器所得到的压力系数，和，与所述样本列车体表面上压力传感器所得到的压力系数对应的模态系数作为输入数据，通过机器学习训练得到的，用于预测列车体表面的压力系数分布的模型。
基于相同的发明构思，本发明又一实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法，例如，利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数；其中，所述简化问题为样本列车体表面上压力传感器所得到的样本压力系数，所述目标问题为样本列车体表面的样本压力系数分布；基于简化问题的模态系数和目标问题的模态系数构建预设的模型；获取待测列车体表面上压力传感器所得到的压力系数；将所述待测列车体表面上压力传感器所得到的压力系数在所述简化问题的基函数上进行投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数；将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布；其中，所述预设的模型为将样本列车体表面上压力传感器所得到的压力系数，和，与所述样本列车体表面上压力传感器所得到的压力系数对应的模态系数作为输入数据，通过机器学习训练得到的，用于预测列车体表面的压力系数分布的模型。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种列车表面压力预测方法，其特征在于，包括：
利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数；其中，所述简化问题为样本列车体表面上压力传感器所得到的样本压力系数，所述目标问题为样本列车体表面的样本压力系数分布；
基于简化问题的模态系数和目标问题的模态系数构建预设的模型；
获取待测列车体表面上压力传感器所得到的压力系数；
将所述待测列车体表面上压力传感器所得到的压力系数在所述简化问题的基函数上进行投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数；
将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布；其中，所述预设的模型为将样本列车体表面上压力传感器所得到的压力系数，和，与所述样本列车体表面上压力传感器所得到的压力系数对应的模态系数作为输入数据，通过机器学习训练得到的，用于预测列车体表面的压力系数分布的模型。
2.根据权利要求1所述的列车表面压力预测方法，其特征在于，在所述利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数之前，还包括：
根据训练样本分别构建简化问题和目标问题；
相应地，所述利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数，具体包括：
利用流场分解法对所述简化问题和所述目标问题进行分解运算，得到所述简化问题的基函数和模态系数，和，所述目标问题的基函数和模态系数。
3.根据权利要求2所述的列车表面压力预测方法，其特征在于，所述流场分解法为本征正交分解法。
4.根据权利要求1所述的列车表面压力预测方法，其特征在于，还包括：
对所述与所述压力系数对应的所述待测列车体表面的压力系数分布进行积分，得到与所述压力系数分布对应的压差气动力。
5.根据权利要求1所述的列车表面压力预测方法，其特征在于，将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布，具体包括：
将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型；
基于与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数通过所述预设的模型映射出与所述待测列车体表面的压力系数对应的第二模态系数；
基于与所述待测列车体表面的压力系数对应的第二模态系数和所述目标问题的基函数进行流场重构，得到由所述预设的模型输出的待测列车体表面的压力系数分布。
6.一种列车表面压力预测装置，其特征在于，包括：
确定模块，用于利用流场分解法确定简化问题的基函数和模态系数，和，目标问题的基函数和模态系数；其中，所述简化问题为样本列车体表面上压力传感器所得到的样本压力系数，所述目标问题为样本列车体表面的样本压力系数分布；
第一构建模块，用于基于简化问题的模态系数和目标问题的模态系数构建预设的模型；
获取模块，用于获取待测列车体表面上压力传感器所得到的压力系数；
投影模块，用于将所述待测列车体表面上压力传感器所得到的压力系数在所述简化问题的基函数上进行投影得到与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数；
预测模块，用于将所述待测列车体表面上压力传感器所得到的压力系数，和，与所述待测列车体表面上压力传感器所得到的压力系数对应的第一模态系数输入至所述预设的模型，得到由所述预设的模型输出的待测列车体表面的压力系数分布；其中，所述预设的模型为将样本列车体表面上压力传感器所得到的压力系数，和，与所述样本列车体表面上压力传感器所得到的压力系数对应的模态系数作为输入数据，通过机器学习训练得到的，用于预测列车体表面的压力系数分布的模型。
7.根据权利要求6所述的列车表面压力预测装置，其特征在于，还包括：第二构建模块，
所述第二构建模块，用于根据训练样本分别构建简化问题和目标问题；
相应地，所述确定模块，具体用于：
利用流场分解法对所述简化问题和所述目标问题进行分解运算，得到所述简化问题的基函数和模态系数，和，所述目标问题的基函数和模态系数。
8.根据权利要求7所述的列车表面压力预测装置，其特征在于，所述确定模块中的所述流场分解法为本征正交分解法。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～5任一项所述的列车表面压力预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1～5任一项所述的列车表面压力预测方法。
CN202111088913.XA 2021-09-16 2021-09-16 一种列车表面压力预测方法、装置、电子设备及存储介质 Active CN113836805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111088913.XA CN113836805B (zh) 2021-09-16 2021-09-16 一种列车表面压力预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111088913.XA CN113836805B (zh) 2021-09-16 2021-09-16 一种列车表面压力预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113836805A CN113836805A (zh) 2021-12-24
CN113836805B true CN113836805B (zh) 2023-07-04

Family

ID=78959675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111088913.XA Active CN113836805B (zh) 2021-09-16 2021-09-16 一种列车表面压力预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113836805B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001026269A (ja) * 1999-07-13 2001-01-30 Kawasaki Heavy Ind Ltd 高速鉄道における列車のすれちがい検知システム
WO2021169115A1 (zh) * 2020-02-29 2021-09-02 平安科技（深圳）有限公司 风控方法、装置、电子设备及计算机可读存储介质
CN113343606A (zh) * 2021-07-01 2021-09-03 浙江大学 一种基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001026269A (ja) * 1999-07-13 2001-01-30 Kawasaki Heavy Ind Ltd 高速鉄道における列車のすれちがい検知システム
WO2021169115A1 (zh) * 2020-02-29 2021-09-02 平安科技（深圳）有限公司 风控方法、装置、电子设备及计算机可读存储介质
CN113343606A (zh) * 2021-07-01 2021-09-03 浙江大学 一种基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于压力分布的高速列车气动力计算方法;曹志伟;姚拴宝;陈大伟;林鹏;邓小军;;科学技术与工程(第05期);全文 *

Also Published As

Publication number Publication date
CN113836805A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN106779151B (zh) 一种高速铁路沿线风速多点多层耦合预测方法
CN106611090B (zh) 一种基于重构深度学习的道边空气污染物浓度预测方法
Schroeck et al. Unsteady aerodynamic properties of a vehicle model and their effect on driver and vehicle under side wind conditions
CN107480698A (zh) 基于多个监测指标的质量控制方法
CN102880907B (zh) 风速校正方法和装置
CN105629958A (zh) 一种基于子时段mpca-svm的间歇过程故障诊断方法
CN110633790B (zh) 基于卷积神经网络的飞机油箱剩余油量测量方法和系统
CN109885854A (zh) 基于arma模型的颤振边界实时预测系统及预测方法
CN112597702B (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
CN106529049A (zh) 一种用于模型修正的应变模态相关性评价方法
CN110046379A (zh) 一种基于空间-频率信息的结构整体损伤识别方法
CN115577436B (zh) 一种求解不确定结构风致振动响应的组合深度学习方法
CN108664673A (zh) 一种轮轨力载荷辨识特征数据模型建立方法及装置
CN107609317A (zh) 一种钢桥疲劳评估荷载建模及疲劳评估方法
CN113935384B (zh) 一种信号自适应分解和识别的桥梁健康监测方法及系统
Li et al. Deep learning models for time-history prediction of vehicle-induced bridge responses: A comparative study
CN201716727U (zh) 基于遥感与gis的地理模拟系统
CN103353295A (zh) 一种精确预测大坝坝体垂直变形量的方法
CN104951798A (zh) 基于emd的lssvm非平稳脉动风速预测方法
Akintunde et al. Singular value decomposition and unsupervised machine learning for virtual strain sensing: Application to an operational railway bridge
Wang et al. Digital prediction model of temperature-induced deflection for cable-stayed bridges based on learning of response-only data
CN113836805B (zh) 一种列车表面压力预测方法、装置、电子设备及存储介质
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
CN105912775A (zh) 桥梁动态称重系统车辆轴重数据的多模态建模方法
CN102938068B (zh) 桥梁结构多体系损伤识别方法

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