CN114297779A - 一种飞行器气动力系数快速预测方法、系统及设备 - Google Patents
一种飞行器气动力系数快速预测方法、系统及设备 Download PDFInfo
- Publication number
- CN114297779A CN114297779A CN202111627988.0A CN202111627988A CN114297779A CN 114297779 A CN114297779 A CN 114297779A CN 202111627988 A CN202111627988 A CN 202111627988A CN 114297779 A CN114297779 A CN 114297779A
- Authority
- CN
- China
- Prior art keywords
- aerodynamic coefficient
- module
- aerodynamic
- coefficient
- aircraft
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 239000010410 layer Substances 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 description 9
- 239000012530 fluid Substances 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Abstract
本发明公开了一种飞行器气动力系数快速预测方法、系统及设备，该方法包括获取需要确定飞行器气动力系数的状态点；将获取的飞行器气动力系数的状态点输入至训练好的气动力系数预测模型；以使气动力系数预测模型输出飞行器的气动力系数；气动力系数预测模型包括采用回归模块，分别与所述回归模块分别连接的线性模块和非线性模块；飞行器气动力系数的状态点输入回归模块输出气动力系数预测值，气动力系数预测值与飞行器气动力系数的状态点同时分别输入至线性模块和非线性模块，再线性模块输出与非线性模块输出进行加权运算获得最终飞行器的气动力系数；训练气动力系数预测模型所使用的数据集为不同置信度数据构成。
Description
技术领域
本发明涉及飞行器技术领域，具体涉及飞行器气动力系数快速预测方法、系统。
背景技术
在飞行器设计过程中，需要对飞行器的气动特性(如包括升力系数、阻力系数、侧向力系数、俯仰力矩、滚转力矩及偏航力矩等气动力系数)进行评估。当前，飞行器气动特性的评估手段主要包括经验公式、牛顿法、拟牛顿法等工程算法；雷诺平均方程、大涡模拟等计算流体力学方法和风洞试验及飞行试验等试验测试方法。这些方法预测精度各有不同，时间、资金等耗费亦有不同。通常来说，随着预测精度的提升，方法所需的时间及资金耗费会显著增长；因此在实践中所能获取的气动力数据具有多源、多置信度、分布极不平衡的特征。另一方面，在飞行器气动外形的迭代设计及优化、飞行器控制仿真等场景中，均需要对大量不同外形飞行器的不同飞行状态的气动力系数进行快速且足够准确的预测，这就对评估手段的时间成本及资金成本提出了极高的要求。
因此，采用机器学习方法构造飞行器状态与气动力系数之间的代理模型是一种可行的方案。这类方法包括高斯过程回归、支持向量机和神经网络等模型。然而以上方法通常只适合于单一来源的气动力数据建模，无法有效利用全部的多源、多置信度数据。针对多置信度数据的建模方法有协克里金模型、MFDNN(Multi-fidelity Deep Neural Networks,多精度深度神经网络)模型方法等，前者假设了数据源之间的线性关系，对非线性关系的建模能力较低；后者采用多个全连接神经网络模块对两种置信度数据进行建模，对超过两种置信度的数据难以处理。
有鉴于此，亟需提供一种能够考虑一种能够利用飞行器设计阶段产生的多源、多置信度数据进行代理模型建模，得到一种飞行器气动力系数的快速预测方法。
发明内容
为了解决上述技术问题，本发明所采用的技术方案是提供了一种飞行器气动力系数快速预测方法，包括以下步骤：
获取需要确定飞行器气动力系数的状态点；将获取的飞行器气动力系数的状态点输入至训练好的气动力系数预测模型；以使气动力系数预测模型输出飞行器的气动力系数；
所述气动力系数预测模型包括采用回归模块，分别与所述回归模块分别连接的线性模块和非线性模块；
飞行器气动力系数的状态点输入回归模块输出气动力系数预测值，气动力系数预测值与飞行器气动力系数的状态点同时分别输入至线性模块和非线性模块，再线性模块输出与非线性模块输出进行加权运算获得最终飞行器的气动力系数。
本发明还提供了一种飞行器气动力系数快速预测系统，包括：
数据输入单元：用于输入或获取需要确定飞行器气动力系数的状态点；
气动力系数预测单元：用于接收数据输入单元输入的数据，并输入至训练好的气动力系数预测模型，得到飞行器的气动力系数；
气动力系数预测模型包括采用回归模块，分别与所述回归模块分别连接的线性模块和非线性模块；
气动力系数预测单元获取的飞行器气动力系数的状态点输入回归模块输出气动力系数预测值，气动力系数预测值与飞行器气动力系数的状态点同时分别输入至线性模块和非线性模块，再线性模块输出与非线性模块输出进行加权运算获得最终飞行器的气动力系数。
本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述飞行器气动力系数快速预测方法。
本实施例方法通过将多种不同置信度的气动力系数数据融入到飞行器气动力系数预测模型的确定过程中，可以充分利用可获取的气动力数据信息，减少对高置信度数据的依赖，这是相比现有技术中采用单一置信度数据集构建气动力系数代理模型所带来的益处；另一方面，在预测模型中将低置信度数据同高置信度数据之间的关联关系显式的分为线性模块和非线性模块，并通过一个权重参数加以整合，使得预测模型能够灵活适用于以线性关系为主或以非线性为主的多种情境，这是相对于现有技术如协克里金等线性方案所带来的提升。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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为本发明提供的方法流程图；
图2为本发明提供的气动力系数预测模型的结构示意图；
图3为本发明提供的气动力系数预测模型训练流程示意框图；
图4为本发明提供的系统框架图；
图5为本发明提供的计算机设备框架图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，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。
在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语"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一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语"安装"、"相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
为下文描述方便，对本发明中所涉及的技术术语解释如下：
(1)气动力系数：气动力为飞行器与空气做相对运动时，空气作用在飞行器上的力；将气动力以飞行器参考长度、参考面积及来流动压为参考量无量纲化后，得到相应的气动力系数。气动力系数包括升力系数、阻力系数、侧向力系数、滚转力矩系数、偏航力矩系数和俯仰力矩系数。
(2)升力：气动合力矢量在飞行器纵向对称面内垂直于飞行速度方向的分量。
(3)阻力：气动合力矢量在平行于飞行速度方向的分量。
(4)侧向力：气动合力矢量在减去升力和阻力分量后剩余的分量。
(5)滚转力矩：气动力在飞行器体轴系轴向产生的力矩分量。
(6)偏航力矩：气动力在飞行器体轴系法向产生的力矩分量。
(7)俯仰力矩：气动力在飞行器体轴系侧向产生的力矩分量。
在对飞行器设计过程中产生的气动力数据的研究中发现，工程实践中经常采用各种工程算法对飞行器设计阶段外形的气动力进行评估，以进一步优化气动外形设计，或者作为飞行器控制系统设计的输入。由于工程算法给出的结果精度有限，往往不能满足下游的输入要求。计算流体力学方法及风洞试验、飞行试验能够给出置信度更高的气动力数据，但是却存在着实施周期长、耗费较大的特征。如针对设计中的不同外形，均需要生成新的计算网格进行数值仿真，又或者需要加工新的试验模型进行试验。这种资源耗费是不适宜于设计阶段的快速迭代需求的。另一方面，代理模型方法通过在一批样本点上训练一个拟合模型，能够得到较佳的预测性能和预测精度，在飞行器气动设计、特别是优化阶段应用较多。然而代理模型往往只能利用单一置信度的数据集进行训练，且样本量较大。因此，考虑一种能够利用飞行器设计阶段产生的多源、多置信度数据进行代理模型建模，得到一种飞行器气动力系数的快速预测方法是有益的。在此基础上，本发明提供了一种飞行器气动力系数预测模型，其能够充分利用飞行器气动力系数评估的多源、多置信度、分布不平衡的特征，以解决现有技术难以有效利用上述特征的数据进行建模、并导致对高置信度数据需求增大这一技术问题。另外，需要说明的是，下文中高置信度样本或低置信度样本只是相对而言的一种表述，即高置信度样本指的是比低置信度样本置信度更高一级或多级的置信度样本。
下面结合具体实施方式和说明书附图对本发明做出详细的说明。
方法实施例
根据本发明实施例，提供了一种飞行器气动力系数快速预测方法，如图1所示，根据本发明实施例的飞行器气动力系数快速预测方法，包括步骤：
步骤一、获取需要确定飞行器气动力系数的状态点；
本实施例中，飞行器气动力系数的状态点由飞行器的参数化外形参数及飞行条件参数共同组成。
步骤二、将获取的飞行器气动力系数的状态点输入至训练好的气动力系数预测模型；以使气动力系数预测模型输出飞行器的气动力系数；
飞行器气动力系数的状态点可以理解为是一个自变量，本预测模型根据这个自变量运算得到一个因变量，就是本实施例中的气动力系数；
如图2所示，本实施例中，所述气动力系数预测模型包括采用回归模块，分别与所述回归模块分别连接的线性模块和非线性模块；
飞行器气动力系数的状态点输入回归模块输出气动力系数预测值，气动力系数预测值与飞行器气动力系数的状态点同时分别输入至线性模块和非线性模块，再线性模块输出与非线性模块输出进行加权运算获得最终飞行器的气动力系数；
本实施例优选，回归模块可采用一个四层的全连接神经网络，中间层宽度分别为8、16、16，激活函数为双曲正切函数，输出层为不加激活的线性层，选取均方误差(MeanSquare Error，MSE)作为损失函数，采用梯度类的最优化算法对损失函数进行最小化。从而使得该全连接神经网络模块成为一个回归模块；需要说明的是，并不限于使用全连接神经网络作为回归模块，其他类型的回归模型如高斯过程、支持向量机、决策树等均可以作为本发明技术方案的回归模块，这些回归模块的不同选择并不使本发明的技术方案产生任何本质上的不同。
线性模块采用一个单层、不加激活函数的神经网络模块，选取均方误差(MeanSquare Error，MSE)作为损失函数，采用梯度类的最优化算法对损失函数进行最小化。其输入为回归模块的输出以及飞行器气动力系数的状态点共同构成。通过这样的线性模块来捕捉低置信度算法(具体到本实施例中的基于拟牛顿法的工程算法)同高置信度算法(具体到本实施例中的计算流体力学数值模拟方法)之间的线性关系。
非线性模块是一个包含两个隐藏层的全连接神经网络模块，选取均方误差(MeanSquare Error，MSE)作为损失函数，采用梯度类的最优化算法对损失函数进行最小化。在隐藏层中通过激活函数使得模块具有非线性表达能力。其输入为回归模块的输出以及飞行器气动力系数的状态点共同构成。通过这样的非线性模块来捕捉低置信度算法(具体到本实施例中的基于拟牛顿法的工程算法)同高置信度算法(具体到本实施例中的计算流体力学数值模拟方法)之间的非线性关系。需要说明的是，非线性模块的隐藏层个数并不限于两层；
且并不限定于采用均方误差函数作为损失函数训练模型，并不限定于采用梯度类最优化算法训练模型。换用领域内公知公认的损失函数(包括但不限于均方误差函数增加各类正则化项)，和/或采用领域内公知公认的优化算法(包括但不限于各梯度类、牛顿类算法)，并不使得本发明所公开的技术方案产生本质上的变化，从而依旧落入由所附权利要求所限定的范围之内。
将线性模块与非线性模块的输出加权求和，作为本气动力系数快速预测模型的输出，此输出即为模型对相应气动力系数的预测值。
本实施例中，所述气动力系数预测模型通过以下方法训练获得，可参考图3所示，具体包括步骤：
步骤S21、获取多种置信度的气动力系数数据集；将气动力系数数据集依照置信度从低到高排序并形成多个数据集列表；该数据集由历史数据构成。
气动力系数预测模型训练过程所需的气动力系数数据集由至少两种不同置信度数据构成。
步骤S22、从列表中不放回地获取最低及次低置信度的两种数据集，输入至初始气动力系数预测模型，最低置信度数据集数据输入至回归模块进行训练，直至损失函数收敛达到预定要求，获得气动力系数预测值；将获得气动力系数预测值与次低置信度数据集数据作为输入数据分别输入线性模块和非线性模块进行训练，直至两个模块损失函数收敛达到预定要求，获得新的气动力系数预测模型；
步骤S23、将步骤S22中获得的新的气动力系数预测模型作为回归模块替换初始气动力系数预测模型中回归模块，再从列表中不放回地获取最低置信度数据集输入至该模型，数据集数据输入至回归模块进行运算，获得气动力系数预测值；将获得气动力系数预测值与低置信度数据集数据作为输入数据分别输入线性模块和非线性模块进行训练，直至两个模块损失函数收敛达到预定要求，获得新的气动力系数预测模型；
步骤S24、重复步骤S23，直至所有气动力系数数据集用于完成模型训练，即获得训练好的气动力系数预测模型。
本实施例，通过但不限于基于拟牛顿法的工程算法获得的低置信度数据集，通过但不限于基于计算流体力学数值模拟的中等置信度数据集和基于风洞试验的高置信度数据集。随着置信度升高，数据获取的耗费增大，数据总量减小。
本实施例方法通过将多种不同置信度的气动力系数数据融入到飞行器气动力系数预测模型的确定过程中，可以充分利用可获取的气动力数据信息，减少对高置信度数据(同时也意味着较高的时间成本及资金成本)的依赖，这是相比现有技术中采用单一置信度数据集构建气动力系数代理模型所带来的益处。另一方面，在预测模型中将低置信度数据同高置信度数据之间的关联关系显式的分为线性模块和非线性模块，并通过一个权重参数加以整合；具体表现为：
最终输出＝α*线性+(1-α)*非线性；
通过α把非线性和线性两个输出加权求和后整合成一个最终输出值。这样通过调节权重参数α，就能让线性或者非线性占有更大优势；
使得预测模型能够灵活适用于以线性关系为主或以非线性为主的多种情境，这是相对于现有技术如协克里金等线性方案所带来的提升。
本实施例方法优选，采用拉丁超立方或优化的拉丁超立方方法确定获取训练预测模型所需的气动力数据集对应的气动力系数的具体飞行器状态，即包括飞行器气动力系数的状态点；飞行器状态包括飞行器的参数化外形参数和/或飞行条件参数；
在本例中升力体飞行器状态空间有五个参数化外形参数和三个飞行条件参数共同构成。其中五个参数化外形参数对升力体飞行器的外形进行控制，通过改变输入的外形参数，可以得到不同外形的升力体飞行器；三个飞行条件参数分别描述了升力体飞行器的飞行速度、攻角及舵偏角。此外，需要说明的是，参数化外形参数个数以及飞行条件参数个数或形式并不做任何限定，只需保证完整描述了飞行器的状态即可。
其中，低置信度样本对应的气动力系数采用基于拟牛顿法的工程算法产生。本实施例中低置信度样本点共50000个。此外，需要说明的是，并不限于使用拟牛顿法产生低置信度样本的气动力系数，样本个数同样不做限定；高置信度样本对应的气动力力系数采用基于雷诺平均方程的计算流体力学方法计算得到，高置信度样本点个数共100个。此外，需要说明的是，并不限于使用此计算方法产生高置信度样本点，只需保证所采用的评估方法能够高于低精度数据集并满足预期的精度要求即可，样本点数同样不限定于100个，只需满足可负担的产生成本及预期的精度要求即可。
本实施例优选，气动力系数预测模型中权重参数的确定分为两个阶段，具体包括：
第一阶段，确定回归模块的权重参数。本实施例中，首先确定由全连接神经网络构成的回归模块的权重参数。采用低置信度数据集，对构成回归模块的全连接神经网络进行训练，选取均方误差(Mean Square Error，MSE)作为损失函数，采用梯度类的最优化算法对损失函数进行最小化，使得回归模块在低置信度测试集上的性能指标达到预定要求。至此，回归模块完成了参数确定。
第二阶段，确定线性模块及非线性模块的权重参数。在本实施例中，即确定由一个单层、不加激活的神经网络模块构成的线性模块，和由一个含两个隐藏层、采用双曲正切函数激活的全连接神经网络模块构成的非线性模块的权重参数，采用高置信度数据集，对两个网络模块的权重参数进行训练，训练过程中冻结第一阶段所确定的回归模块的权重参数输出至线性模块及非线性模块。在本实施例中，选取均方误差(Mean Square Error，MSE)作为损失函数，采用梯度类的最优化算法对损失函数进行最小化，使得模型在高置信度测试集上的性能指标达到预定要求。至此完成整个模型的参数确定。
需要说明的是，在步骤S21-步骤S24中，每一次模型的训练都会生成对应的权重参数；
本实施例，通过冻结回归模块权重系数的方式将模型训练分为两个阶段，有效降低了训练第二阶段，即确定线性模块和非线性模块权重系数阶段的可训练权重个数，这样就有效减少了对高置信度气动数据的需求量，降低了模型训练的难度，这种方案对于MFDNN等方法具有较好的改进。最后，通过递归建模的方式获得了针对多于两种置信度气动力数据集构建气动力系数预测模型的技术方案，相比现有技术扩展了应用场景。
系统实施例
根据本发明实施例，提供了一种飞行器气动力系数快速预测系统，如图4所示，根据本发明实施例的飞行器气动力系数快速预测系统的框架图，该系统包括：
数据输入单元：用于输入或获取需要确定飞行器气动力系数的状态点；
气动力系数预测单元：用于接收数据输入单元输入的数据，并输入至训练好的气动力系数预测模型，得到飞行器的气动力系数；
本实施例，气动力系数预测模型包括回归模块，分别与所述回归模块分别连接的线性模块和非线性模块；
气动力系数预测单元获取的飞行器气动力系数的状态点输入回归模块输出气动力系数预测值，气动力系数预测值与飞行器气动力系数的状态点同时分别输入至线性模块和非线性模块，再线性模块输出与非线性模块输出进行加权运算获得最终飞行器的气动力系数。
本实施例优选，所述气动力系数预测单元包括通过多种置信度的气动力系数数据集训练初始气动力系数预测模型的模型训练模块；
还包括与模型训练模块连接的数据获取模块；
数据获取模块用于获取训练初始气动力系数预测模型所需的多种置信度的气动力系数数据；分别获取训练初始气动力系数预测模型的多种置信度的气动力系数数据集，本实施例至少包括两种置信度的气动力系数数据集；其中，本实施例通过但不限于基于拟牛顿法的工程算法获得的低置信度数据集，通过但不限于基于计算流体力学数值模拟的中等置信度数据集和基于风洞试验的高置信度数据集。
本实施例，模型训练模块具体训练过程包括：
数据获取模块获取多种置信度的气动力系数数据集，将气动力系数数据集依照置信度从低到高排序并形成多个数据集列表；该数据集由历史数据构成。
模型训练模块从列表中不放回地获取最低及次低置信度的两种数据集，输入至初始气动力系数预测模型，最低置信度数据集数据输入至回归模块进行训练，直至损失函数收敛达到预定要求，获得气动力系数预测值；将获得气动力系数预测值与次低置信度数据集数据作为输入数据分别输入线性模块和非线性模块进行训练，直至两个模块损失函数收敛达到预定要求，获得新的气动力系数预测模型；
模型训练模块将获得的新的气动力系数预测模型作为回归模块替换初始气动力系数预测模型中回归模块，再从列表中不放回地获取最低置信度数据集输入至该模型，数据集数据输入至回归模块进行运算，获得气动力系数预测值；将获得气动力系数预测值与低置信度数据集数据作为输入数据分别输入线性模块和非线性模块进行训练，直至两个模块损失函数收敛达到预定要求，获得新的气动力系数预测模型；重复本步骤内容，直至所有气动力系数数据集用于完成模型训练，即模型训练模块完成模型训练，获得训练好的气动力系数预测模型。
本发明实施例是与上述方法实施例对应的系统实施例，各个处理步骤的具体操作可以参照方法实施例的描述进行理解，在此不再赘述，且以上所使用的，术语“单元”“模块”等意指可以实现预定功能的软件和/或硬件的组合。尽管实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
如图5所示，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中飞行器气动力系数快速预测系统，或者计算机程序被处理器执行时实现上述实施例中飞行器气动力系数快速预测系统。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述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劳动的情况下，即可以理解并实施。
需要说明的是，在本文中，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种飞行器气动力系数快速预测方法，其特征在于，包括以下步骤：
获取需要确定飞行器气动力系数的状态点；将获取的飞行器气动力系数的状态点输入至训练好的气动力系数预测模型；以使气动力系数预测模型输出飞行器的气动力系数；
所述气动力系数预测模型包括采用回归模块，分别与所述回归模块分别连接的线性模块和非线性模块；
飞行器气动力系数的状态点输入回归模块输出气动力系数预测值，气动力系数预测值与飞行器气动力系数的状态点分别同时输入至线性模块和非线性模块，再线性模块输出与非线性模块输出进行加权运算获得最终飞行器的气动力系数。
2.如权利要求1所述的飞行器气动力系数快速预测方法，其特征在于，所述
回归模块采用一个四层的全连接神经网络，激活函数为双曲正切函数，输出层为不加激活的线性层，选取均方误差作为损失函数，采用梯度类的最优化算法对损失函数进行最小化。
3.如权利要求1所述的飞行器气动力系数快速预测方法，其特征在于，所述
线性模块采用单层、不加激活函数的神经网络模块，选取均方误差作为损失函数，梯度类的最优化算法对损失函数进行最小化；
非线性模块采用包含两个隐藏层的全连接神经网络模块，选取均方误差作为损失函数，梯度类的最优化算法对损失函数进行最小化。
4.如权利要求1所述的飞行器气动力系数快速预测方法，其特征在于，所述气动力系数预测模型通过以下方法训练：
获取多种置信度的气动力系数数据集；将气动力系数数据集依照置信度从低到高排序并形成多个数据集列表；
从列表中不放回地获取最低及次低置信度的两种数据集，输入至初始气动力系数预测模型，最低置信度数据集数据输入至回归模块进行训练，直至损失函数收敛达到预定要求，获得气动力系数预测值；将获得气动力系数预测值与次低置信度数据集数据作为输入数据分别输入线性模块和非线性模块进行训练，直至两个模块损失函数收敛达到预定要求，获得新的气动力系数预测模型；
将获得的新的气动力系数预测模型作为回归模块替换初始气动力系数预测模型中回归模块，再从列表中不放回地获取最低置信度数据集输入至该模型，数据集数据输入至回归模块进行运算，获得气动力系数预测值；将获得气动力系数预测值与低置信度数据集数据作为输入数据分别输入线性模块和非线性模块进行训练，直至两个模块损失函数收敛达到预定要求，获得新的气动力系数预测模型，重复本步骤，直至所有气动力系数数据集用于完成模型训练，获得训练好的气动力系数预测模型。
5.如权利要求1所述的飞行器气动力系数快速预测方法，其特征在于，气动力系数预测模型训练过程中权重参数的确定分为两个阶段，具体包括：
第一阶段，确定回归模块的权重参数；
采用低置信度数据集，使得回归模块在低置信度数据集上的性能指标达到预定要求，回归模块完成权重参数确定；
第二阶段，确定线性模块及非线性模块的权重参数；训练过程中冻结第一阶段所确定的回归模块的权重参数；采用高置信度数据集，在高置信度测试集上的性能指标达到预定要求，至此完成两个模块的权重参数确认。
6.如权利要求1所述的飞行器气动力系数快速预测方法，其特征在于，采用拉丁超立方或优化的拉丁超立方方法确定获取训练预测模型所需的气动力数据集对应的飞行器状态；
飞行器状态包括飞行器的参数化外形参数、飞行条件参数。
7.一种飞行器气动力系数快速预测系统，其特征在于，包括：
数据输入单元：用于输入或获取需要确定飞行器气动力系数的状态点；
气动力系数预测单元：用于接收数据输入单元输入的数据，并输入至训练好的气动力系数预测模型，得到飞行器的气动力系数；
气动力系数预测模型包括采用回归模块，分别与所述回归模块分别连接的线性模块和非线性模块；
气动力系数预测单元获取的飞行器气动力系数的状态点输入回归模块输出气动力系数预测值，气动力系数预测值与飞行器气动力系数的状态点同时分别输入至线性模块和非线性模块，再线性模块输出与非线性模块输出进行加权运算获得最终飞行器的气动力系数。
8.如权利要求7所述的飞行器气动力系数快速预测系统，其特征在于，所述
所述气动力系数预测单元包括通过多种置信度的气动力系数数据集训练初始气动力系数预测模型的模型训练模块；
还包括与模型训练模块连接的数据获取模块。
9.如权利要求8所述的飞行器气动力系数快速预测系统，其特征在于，所述模型训练模块具体训练过程包括：
数据获取模块获取多种置信度的气动力系数数据集，将气动力系数数据集依照置信度从低到高排序并形成多个数据集列表；
模型训练模块从列表中不放回地获取最低及次低置信度的两种数据集，输入至初始气动力系数预测模型，最低置信度数据集数据输入至回归模块进行训练，直至损失函数收敛达到预定要求，获得气动力系数预测值；将获得气动力系数预测值与次低置信度数据集数据作为输入数据分别输入线性模块和非线性模块进行训练，直至两个模块损失函数收敛达到预定要求，获得新的气动力系数预测模型；
模型训练模块将获得的新的气动力系数预测模型作为回归模块替换初始气动力系数预测模型中回归模块，再从列表中不放回地获取最低置信度数据集输入至该模型，数据集数据输入至回归模块进行运算，获得气动力系数预测值；将获得气动力系数预测值与低置信度数据集数据作为输入数据分别输入线性模块和非线性模块进行训练，直至两个模块损失函数收敛达到预定要求，获得新的气动力系数预测模型；重复本步骤内容，直至所有气动力系数数据集用于完成模型训练，即模型训练模块完成模型训练，获得训练好的气动力系数预测模型。
10.计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6任一项所述飞行器气动力系数快速预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111627988.0A CN114297779A (zh) | 2021-12-28 | 2021-12-28 | 一种飞行器气动力系数快速预测方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111627988.0A CN114297779A (zh) | 2021-12-28 | 2021-12-28 | 一种飞行器气动力系数快速预测方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114297779A true CN114297779A (zh) | 2022-04-08 |
Family
ID=80970862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111627988.0A Pending CN114297779A (zh) | 2021-12-28 | 2021-12-28 | 一种飞行器气动力系数快速预测方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297779A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115204063A (zh) * | 2022-09-16 | 2022-10-18 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种火箭气动力系数天地差异修正方法 |
| CN116205154A (zh) * | 2022-12-30 | 2023-06-02 | 中国能源建设集团广东省电力设计研究院有限公司 | 空气动力系数的生成方法、装置、终端设备及存储介质 |
| CN116735146A (zh) * | 2023-08-11 | 2023-09-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种建立气动力模型的风洞实验方法及系统 |
| CN116956471A (zh) * | 2023-09-19 | 2023-10-27 | 中国空气动力研究与发展中心计算空气动力研究所 | 大型运输机的气动力预测方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200320176A1 (en) * | 2019-04-03 | 2020-10-08 | GM Global Technology Operations LLC | Tools and methods for aerodynamically optimizing the geometry of vehicle bodies |
| CN112668104A (zh) * | 2021-01-04 | 2021-04-16 | 中国人民解放军96901部队22分队 | 一种高超声速飞行器气动参数在线辨识方法 |
| US20210287089A1 (en) * | 2020-03-14 | 2021-09-16 | DataRobot, Inc. | Automated and adaptive design and training of neural networks |
| CN113609596A (zh) * | 2021-09-29 | 2021-11-05 | 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飞行器气动特性预测方法 |
| CN113836634A (zh) * | 2021-08-24 | 2021-12-24 | 电子科技大学 | 一种大差异性气动数据的深度神经网络建模方法 |
-
2021
- 2021-12-28 CN CN202111627988.0A patent/CN114297779A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200320176A1 (en) * | 2019-04-03 | 2020-10-08 | GM Global Technology Operations LLC | Tools and methods for aerodynamically optimizing the geometry of vehicle bodies |
| US20210287089A1 (en) * | 2020-03-14 | 2021-09-16 | DataRobot, Inc. | Automated and adaptive design and training of neural networks |
| CN112668104A (zh) * | 2021-01-04 | 2021-04-16 | 中国人民解放军96901部队22分队 | 一种高超声速飞行器气动参数在线辨识方法 |
| CN113836634A (zh) * | 2021-08-24 | 2021-12-24 | 电子科技大学 | 一种大差异性气动数据的深度神经网络建模方法 |
| CN113609596A (zh) * | 2021-09-29 | 2021-11-05 | 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飞行器气动特性预测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115204063A (zh) * | 2022-09-16 | 2022-10-18 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种火箭气动力系数天地差异修正方法 |
| CN116205154A (zh) * | 2022-12-30 | 2023-06-02 | 中国能源建设集团广东省电力设计研究院有限公司 | 空气动力系数的生成方法、装置、终端设备及存储介质 |
| CN116205154B (zh) * | 2022-12-30 | 2023-09-05 | 中国能源建设集团广东省电力设计研究院有限公司 | 空气动力系数的生成方法、装置、终端设备及存储介质 |
| CN116735146A (zh) * | 2023-08-11 | 2023-09-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种建立气动力模型的风洞实验方法及系统 |
| CN116735146B (zh) * | 2023-08-11 | 2023-10-13 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种建立气动力模型的风洞实验方法及系统 |
| CN116956471A (zh) * | 2023-09-19 | 2023-10-27 | 中国空气动力研究与发展中心计算空气动力研究所 | 大型运输机的气动力预测方法、装置、设备及介质 |
| CN116956471B (zh) * | 2023-09-19 | 2024-01-12 | 中国空气动力研究与发展中心计算空气动力研究所 | 大型运输机的气动力预测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114297779A (zh) | 一种飞行器气动力系数快速预测方法、系统及设备 | |
| 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 | |
| CN110647042A (zh) | 一种基于数据驱动的机器人鲁棒学习预测控制方法 | |
| CN110263429B (zh) | 基于机器学习的索网反射面天线形面精度调整方法 | |
| CN112818470B (zh) | 一种基结构的优化方法、装置、计算机设备和存储介质 | |
| CN114048547B (zh) | 一种基于自适应代理模型的车用空气弹簧工程优化设计方法 | |
| CN113777931B (zh) | 结冰翼型气动模型构造方法、装置、设备及介质 | |
| CN112414668B (zh) | 一种风洞试验数据静气弹修正方法、装置、设备及介质 | |
| CN113156263A (zh) | 电缆状态监测方法及存储介质 | |
| CN112182938A (zh) | 基于迁移学习-多保真度建模的介观结构件力学性能预测方法 | |
| Kim et al. | Multi-condition multi-objective optimization using deep reinforcement learning | |
| Chakraborty et al. | An efficient algorithm for building locally refined hp–adaptive H-PCFE: Application to uncertainty quantification | |
| CN113032902A (zh) | 一种基于机器学习优化的高速列车气动头部外形设计方法 | |
| CN113343559B (zh) | 迭代重加权最小二乘法极限学习机响应面可靠性分析方法 | |
| CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
| CN114300068A (zh) | 油干点预测计算方法、装置、计算机设备和存储介质 | |
| CN109840348A (zh) | 一种三重加速的拓扑优化方法 | |
| CN110083946B (zh) | 一种基于无约束优化模型的多状态模型修正的方法 | |
| CN110096798B (zh) | 一种多状态有限元模型修正的方法 | |
| CN116933386A (zh) | 一种基于mcok代理模型的飞行器气动数据融合方法 | |
| CN114048544B (zh) | 飞行器结构响应特性预示方法、装置、设备和介质 | |
| Cheng et al. | Trust region based MPS method for global optimization of high dimensional design problems | |
| CN111177855B (zh) | 一种全局气动弹性优化中的气动结构求解方法及系统 | |
| Amrit et al. | Efficient multi-objective aerodynamic optimization by design space dimension reduction and co-kriging | |
| Hu et al. | Micromechanical and macroscopic models of ductile fracture in particle reinforced metallic materials |
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 |