CN114139282A - 一种跨介质飞行器的入水冲击载荷建模方法 - Google Patents

一种跨介质飞行器的入水冲击载荷建模方法 Download PDF

Info

Publication number
CN114139282A
CN114139282A CN202111461915.9A CN202111461915A CN114139282A CN 114139282 A CN114139282 A CN 114139282A CN 202111461915 A CN202111461915 A CN 202111461915A CN 114139282 A CN114139282 A CN 114139282A
Authority
CN
China
Prior art keywords
impact load
water
cross
grnn
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.)
Granted
Application number
CN202111461915.9A
Other languages
English (en)
Other versions
CN114139282B (zh
Inventor
郝东
余婧
杨伟
王琪
武龙
苏杰
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.)
Institute of Aerospace Technology of China Aerodynamics Research and Development Center
Original Assignee
Institute of Aerospace Technology of China Aerodynamics Research and Development Center
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 Institute of Aerospace Technology of China Aerodynamics Research and Development Center filed Critical Institute of Aerospace Technology of China Aerodynamics Research and Development Center
Priority to CN202111461915.9A priority Critical patent/CN114139282B/zh
Publication of CN114139282A publication Critical patent/CN114139282A/zh
Application granted granted Critical
Publication of CN114139282B publication Critical patent/CN114139282B/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]
    • G06F30/10—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]
    • 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)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种跨介质飞行器的入水冲击载荷建模方法，涉及跨介质飞行器技术领域，包括以下步骤：S1、采用CATIA三维模型软件建立跨介质飞行器结构或组件的几何模型；S2、将几何模型导入ABAQUS软件，在其中建立液体模型；S3、设定入水速度、攻角和姿态，采用耦合欧拉‑拉格朗日法的方法，在ABAQUS Solver中求解；S4、获取入水冲击载荷训练数据，生成训练数据文件；S5、建立GRNN网格，导入训练数据；S6、根据S5，得到入水冲击载荷的GRNN网络模型，并通过入水冲击载荷的GRNN网络模型快速预估其他状态时的载荷情况。本发明的方法与现有技术方法相比，具有实现简单，通用性强，建模工作量少，计算速度快的优点，且适用于方案设计和工程研制过程中的载荷快速评估计算。

Description

一种跨介质飞行器的入水冲击载荷建模方法
技术领域
本发明涉及跨介质飞行器技术领域，更具体地说，它涉及一种跨介质飞行器的入水冲击载荷建模方法。
背景技术
近年来，随着各国航空工业技术的发展，世界主要航空强国对现有航空飞行器的要求也越来越高，传统的单一介质航空器已经不能满足实际需求，因此研究能够适应多种介质环境的跨介质飞行器成了各航空工业强国重要发展方向之一。跨介质飞行器可在不同介质间多次跨越，结合空中飞行器和水下航行器的优势，在介质跨越中产生抨击载荷，使结构经历恶略的力学环境。目前对于跨介质飞行器的载荷研究仍是一个新兴领域，研究较少，鲜有的已有技术也只是针对某一具体状态采用商业软件，如FLUENT等，通过进行流固耦合计算，进而获得该过程中结构受到的加速中载荷。
现有技术中通过商业软件(如FLUENT等)进行有限元建模计算某一确定状态的载荷，主要实现过程如下：
1、建立跨介质飞行器结构几何模型；
2、建立水和空气的几何模型；
3、采用ICEM等商业软件划分流体网格；
4、采用HYPERMESH等商业软件划分结构网格；
5、采用FLUENT定义状态，并进行计算，获得过程中的冲击加速度载荷。
目前，现有技术中的该方法的计算状态量有限，并且建模过程所需时间长，计算过程花费时间大、成本高，往往需要超级计算机才能得以实施，不利于工程上的应用和其他状态时的载荷快速预测。因此，本发明旨在解决介质跨越过程中飞行器受到的入水冲击载荷建模的上述问题。
发明内容
本发明的目的是基于解决上述问题，提供一种跨介质飞行器的入水冲击载荷建模方法。
本发明的上述技术目的是通过以下技术方案得以实现的：一种跨介质飞行器的入水冲击载荷建模方法，具体包括以下步骤：
S1、采用CATIA三维模型软件建立跨介质飞行器结构或组件的几何模型；
S2、将几何模型导入ABAQUS软件，并在其中建立液体模型；
S3、设定入水速度、攻角和姿态，采用耦合欧拉-拉格朗日方法(CEL)方法，在ABAQUS Solver中求解；
水的状态采用采用Mie-Grüneisen状态方程建模：
p-pH＝Γρ(Em-EH)，
其中，pH为Hugoniot压力，Em为Hugoniot比能，其与密度相关，Γ＝Γ0ρ0/ρ，Γ0为材料参数，ρ0为参考密度，
Figure BDA0003389060590000021
η＝1-ρ0/ρ为名义体积压缩应变；
一般材料的Hugoniot曲线拟合关系为：
Figure BDA0003389060590000031
Mie-Grüneisen方程的Hugoniot形式写为：
Figure BDA0003389060590000032
结构模型采用动量守恒方程建模：
Figure BDA0003389060590000033
采用拉格朗日形式的迭代方法：
Figure BDA0003389060590000034
S4、获取入水冲击载荷训练数据，生成训练数据文件；
S5、建立GRNN网格，导入训练数据；
S6、根据步骤S5，得到入水冲击载荷的GRNN网络模型，并通过入水冲击载荷的GRNN网络模型快速预估其他状态时的载荷情况。
进一步地，步骤S5的具体方法为：
设定xi和yi分别表示第i个训练输入向量和相应的输出，则相应的回归估计公式为：
Figure BDA0003389060590000035
Figure BDA0003389060590000036
Figure BDA0003389060590000037
其中，hi表示高斯径向基函数，
Figure BDA0003389060590000038
表示向量x与向量xi之间的欧拉距离的平方；
步骤S5中GRNN的人为调节的参数仅有一个阈值b，阈值b的计算方法如下所示：
Figure BDA0003389060590000041
其中，参数SPREAD为径向基函数的分布密度。
进一步地，步骤S6中通过入水冲击载荷的GRNN网络模型快速预估其他状态时的载荷情况的方法为：
假设需要预测的状态为入水速度V，攻角α，姿态β，则预估的最大加速度载荷为：
amax＝GRNN(V，α，β)。
综上所述，本发明具有以下有益效果：
1、本发明的方法针对跨介质飞行器入水冲击载荷这个特殊问题，需要的训练数据少，可通过数值计算获得；
2、本发明的方法中通过广义归回神经网络建模逼近跨介质飞行器入水冲击载荷特性，建模速度快；
3、本发明的方法可以快速预估某状态的跨介质飞行器入水冲击载荷，且计算速度快；
本发明与现有技术方法相比，具有实现简单，通用性强，建模工作量少，计算速度快的优点，适用于方案设计和工程研制过程中的载荷快速评估计算。
附图说明
图1是本发明实施例中入水冲击载荷GRNN网格模型示意图；
图2是本发明实施例中的模型示意图；
图3是本发明实施例中状态量定义原理图；
图4是本发明实施例中采用MATLAB语言编程的各点的建模数据图；
图5是本发明实施例中各状态的建模误差数据图。
具体实施方式
在以下实施例中，跨介质飞行器：指能够自主适应不同介质环境，可在单一介质环境下长时间工作并可多次跨越介质界面，在不同介质环境下均保持较优性能的飞行器。
冲击载荷：指结构在收到冲击或环境突变时的瞬态作用力、力矩和加速度过载等力学作用。
以下结合附图1-5对本发明作进一步详细说明。
实施例：
本发明提出的技术方案为一种跨介质飞行器的入水冲击载荷建模方法，具体包括以下步骤：
S1、采用CATIA三维模型软件建立跨介质飞行器结构或组件的几何模型；
S2、将几何模型导入ABAQUS软件，并在其中建立液体模型；
S3、设定入水速度、攻角和姿态，采用耦合欧拉-拉格朗日方法(CEL)方法，在ABAQUS Solver中求解；
水的状态采用采用Mie-Grüneisen状态方程建模：
p-pH＝Γρ(Em-EH)，
其中，pH为Hugoniot压力，Em为Hugoniot比能，其与密度相关，Γ＝Γ0ρ0/ρ，Γ0为材料参数，ρ0为参考密度，
Figure BDA0003389060590000061
η＝1-ρ0/ρ为名义体积压缩应变；
一般材料的Hugoniot曲线拟合关系为：
Figure BDA0003389060590000062
Mie-Grüneisen方程的Hugoniot形式写为：
Figure BDA0003389060590000063
结构模型采用动量守恒方程建模：
Figure BDA0003389060590000064
采用拉格朗日形式的迭代方法：
Figure BDA0003389060590000065
S4、获取入水冲击载荷训练数据，生成训练数据文件；
S5、建立GRNN网格，导入训练数据；
设定xi和yi分别表示第i个训练输入向量和相应的输出，则相应的回归估计公式为：
Figure BDA0003389060590000066
Figure BDA0003389060590000067
Figure BDA0003389060590000068
其中，hi表示高斯径向基函数，
Figure BDA0003389060590000069
表示向量x与向量xi之间的欧拉距离的平方；
步骤S5中GRNN的人为调节的参数仅有一个阈值b，阈值b的计算方法如下所示：
Figure BDA0003389060590000071
其中，参数SPREAD为径向基函数的分布密度。在建立GRNN时只需要选择一个合适的SPREAD值，SPREAD值的大小对于网络的建模结果影响很大，SPREAD值越小，神经网络对样本数据的逼近性就越好，SPREAD越大，神经网络对样本数据的逼近过程就越光滑，但与此同时网络输出误差会增大。
S6、根据步骤S5，得到入水冲击载荷的GRNN网络模型，并通过入水冲击载荷的GRNN网络模型快速预估其他状态时的载荷情况。
通过入水冲击载荷的GRNN网络模型快速预估其他状态时的载荷情况的方法为：
假设需要预测的状态为入水速度V，攻角α，姿态β，则预估的最大加速度载荷为：
amax＝GRNN(V，α，β)。
在本实施例中，GRNN网络可以进行小样本学习建模，非线性映射能力强，建模参数少，适于解决非线性问题。GRNN网络不需要事先确定方程形式，以概率密度函数代替固有方程形式，具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性。
GRNN网络包括输入层、模式层、求和层和输出层，可以逼近输入和输出向量之间的任意函数，入水冲击载荷模型的网格结构如图1所示。
本发明的实施例的应用如下：
参见图2所示，其为本实施中的模型示意图。其中，水的参数设置如下表1所示：
表1水的参数设置
C(m/s) ρ(kg/m<sup>3</sup>) γ<sub>0</sub> S1 S2 S3
1480 1000 0.5 2.56 -1.986 0.2268
训练数据典型工况如下表2：
表2
Figure BDA0003389060590000081
其状态量定义如图3所示。本实施例中，本发明的方案采用MATLAB语言编程所提出的方法，各点的建模如果如图4所示。各状态的建模误差如图5所示，均方根误差为19.005。
在本发明的上述实施例中，本发明的方案解决了介质跨越过程中飞行器受到的入水冲击载荷的低成本建模问题，并且可以预测其它状态时飞行器受到的载荷。本发明采用深度学习网络种的广义回归神经网络(GRNN)进行建模，输入状态变量为入水速度、攻角和姿态三个状态量，输出为最大冲击加速度一个物理量。本发明针对跨介质飞行器入水冲击载荷这个特殊问题，需要的训练数据少，可通过数值计算获得；并且，通过广义归回神经网络建模逼近跨介质飞行器入水冲击载荷特性，建模速度快；此外，本发明的方法可以快速预估某状态的跨介质飞行器入水冲击载荷，且计算速度快。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (3)

1.一种跨介质飞行器的入水冲击载荷建模方法，其特征是：具体包括以下步骤：
S1、采用CATIA三维模型软件建立跨介质飞行器结构或组件的几何模型；
S2、将几何模型导入ABAQUS软件，并在其中建立液体模型；
S3、设定入水速度、攻角和姿态，采用耦合欧拉-拉格朗日方法(CEL)方法，在ABAQUSSolver中求解；
水的状态采用采用Mie-Grüneisen状态方程建模：
p-pH＝Γρ(Em-EH)，
其中，pH为Hugoniot压力，Em为Hugoniot比能，其与密度相关，Γ＝Γ0ρ0/ρ，Γ0为材料参数，ρ0为参考密度，
Figure FDA0003389060580000011
η＝1-ρ0/ρ为名义体积压缩应变；
一般材料的Hugoniot曲线拟合关系为：
Figure FDA0003389060580000012
Mie-Grüneisen方程的Hugoniot形式写为：
Figure FDA0003389060580000013
结构模型采用动量守恒方程建模：
Figure FDA0003389060580000014
采用拉格朗日形式的迭代方法：
Figure FDA0003389060580000015
S4、获取入水冲击载荷训练数据，生成训练数据文件；
S5、建立GRNN网格，导入训练数据；
S6、根据步骤S5，得到入水冲击载荷的GRNN网络模型，并通过入水冲击载荷的GRNN网络模型快速预估其他状态时的载荷情况。
2.根据权利要求1所述的一种跨介质飞行器的入水冲击载荷建模方法，其特征是：步骤S5的具体方法为：
设定xi和yi分别表示第i个训练输入向量和相应的输出，则相应的回归估计公式为：
Figure FDA0003389060580000021
Figure FDA0003389060580000022
Figure FDA0003389060580000023
其中，hi表示高斯径向基函数，
Figure FDA0003389060580000024
表示向量x与向量xi之间的欧拉距离的平方；
步骤S5中GRNN的人为调节的参数仅有一个阈值b，阈值b的计算方法如下所示：
Figure FDA0003389060580000025
其中，参数SPREAD为径向基函数的分布密度。
3.根据权利要求1所述的一种跨介质飞行器的入水冲击载荷建模方法，其特征是：步骤S6中通过入水冲击载荷的GRNN网络模型快速预估其他状态时的载荷情况的方法为：
假设需要预测的状态为入水速度V，攻角α，姿态β，则预估的最大加速度载荷为：
amax＝GRNN(V，α，β)。
CN202111461915.9A 2021-12-02 2021-12-02 一种跨介质飞行器的入水冲击载荷建模方法 Active CN114139282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111461915.9A CN114139282B (zh) 2021-12-02 2021-12-02 一种跨介质飞行器的入水冲击载荷建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111461915.9A CN114139282B (zh) 2021-12-02 2021-12-02 一种跨介质飞行器的入水冲击载荷建模方法

Publications (2)

Publication Number Publication Date
CN114139282A true CN114139282A (zh) 2022-03-04
CN114139282B CN114139282B (zh) 2024-03-29

Family

ID=80387249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111461915.9A Active CN114139282B (zh) 2021-12-02 2021-12-02 一种跨介质飞行器的入水冲击载荷建模方法

Country Status (1)

Country Link
CN (1) CN114139282B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580085A (zh) * 2022-04-29 2022-06-03 北京理工大学 基于代理模型的多次出入水航行器头部外形优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160114887A1 (en) * 2002-10-01 2016-04-28 Dylan T X Zhou Amphibious vertical takeoff and landing unmanned system and flying car with multiple aerial and aquatic flight modes for capturing panoramic virtual reality views, interactive video and transportation with mobile and wearable application
CN110435854A (zh) * 2019-07-12 2019-11-12 西北工业大学 用于小尺度水下航行器模型的弹出式水下定位回收装置
CN112706944A (zh) * 2020-12-11 2021-04-27 中国特种飞行器研究所 一种波浪水面模型着水试验装置及方法
DE102019219255A1 (de) * 2019-12-10 2021-06-10 Volkswagen Aktiengesellschaft Flugkapsel für eine Personendrohne, Personendrohne
CN113609798A (zh) * 2021-08-11 2021-11-05 黄淮学院 一种任意二维剖面三自由度入水载荷确定的边界元方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160114887A1 (en) * 2002-10-01 2016-04-28 Dylan T X Zhou Amphibious vertical takeoff and landing unmanned system and flying car with multiple aerial and aquatic flight modes for capturing panoramic virtual reality views, interactive video and transportation with mobile and wearable application
CN110435854A (zh) * 2019-07-12 2019-11-12 西北工业大学 用于小尺度水下航行器模型的弹出式水下定位回收装置
DE102019219255A1 (de) * 2019-12-10 2021-06-10 Volkswagen Aktiengesellschaft Flugkapsel für eine Personendrohne, Personendrohne
CN112706944A (zh) * 2020-12-11 2021-04-27 中国特种飞行器研究所 一种波浪水面模型着水试验装置及方法
CN113609798A (zh) * 2021-08-11 2021-11-05 黄淮学院 一种任意二维剖面三自由度入水载荷确定的边界元方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DONGHAO: "Presentation of water-entry impact load for TMA during media-cross procedure based on GRNN", ICDLT \'22: PROCEEDINGS OF THE 2022 6TH INTERNATIONAL CONFERENCE ON DEEP LEARNING, 8 October 2022 (2022-10-08) *
胡明勇: "射弹斜入水时流体动力特性及弹体水动力冲击载荷研究", 海军工程大学学报, vol. 33, no. 4, 15 August 2021 (2021-08-15) *
贾鹏: "运动体高速入水冲击载荷数值模拟研究", 中国优秀硕士学位论文全文数据库基础科学辑, no. 1, 15 January 2019 (2019-01-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580085A (zh) * 2022-04-29 2022-06-03 北京理工大学 基于代理模型的多次出入水航行器头部外形优化方法

Also Published As

Publication number Publication date
CN114139282B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN113111430B (zh) 基于非线性气动力降阶的弹性飞机飞行动力学建模方法
US10489533B2 (en) Techniques for warm starting finite element analyses with deep neural networks
CN115422654B (zh) 基于cfd/csd技术的跨/超声速飞行器高效高精度颤振时域分析方法
CN112231847A (zh) 转捩位置确定方法、装置、电子设备及存储介质
CN112414668B (zh) 一种风洞试验数据静气弹修正方法、装置、设备及介质
Rendall et al. Improved radial basis function fluid–structure coupling via efficient localized implementation
CN114139282A (zh) 一种跨介质飞行器的入水冲击载荷建模方法
Pang et al. Aero engine component fault diagnosis using multi-hidden-layer extreme learning machine with optimized structure
Leifsson et al. Variable-fidelity aerodynamic shape optimization
Tartaruga et al. Efficient prediction and uncertainty propagation of correlated loads
Malouin et al. Interpolation of transonic flows using a proper orthogonal decomposition method
Park et al. Multidisciplinary design optimization of a structurally nonlinear aircraft wing via parametric modeling
CN115659843A (zh) 一种利用人工智能技术构建显示动力学模型的方法
Piperni et al. Singlepoint and multipoint robust design of airfoils using CST functions
CN115292844A (zh) 一种基于深度图学习的叶轮机械叶片颤振边界预测方法
CN108732933B (zh) 基于lmi的周期分段振动协同系统的时变连续控制器设计
Pellegrini et al. A multi-fidelity adaptive sampling method for metamodel-based uncertainty quantification of computer simulations
Görtz et al. Variable-fidelity and reduced-order models for aero data for loads predictions
Winter et al. Nonlinear reduced-order modeling of unsteady aerodynamic loads based on dynamic local linear neuro-fuzzy models
CN115495854B (zh) 计算机辅助工程模型的参数标定方法、装置、设备及介质
CN113779834B (zh) 一种考虑几何非线性的冰与结构物动力耦合计算方法
Lipták et al. LPV model reduction methods for aeroelastic structures
Coppeans et al. Output-Based Mesh Adaptation Using Overset Methods for Structured Meshes
CN117687345B (zh) 多智能体系统的控制方法及相关产品
White A clustering algorithm for reduced order modeling of shock waves

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