CN114486164B - 一种基于神经网络的三孔探针梯度流场测试标定方法 - Google Patents

一种基于神经网络的三孔探针梯度流场测试标定方法 Download PDF

Info

Publication number
CN114486164B
CN114486164B CN202210401010.0A CN202210401010A CN114486164B CN 114486164 B CN114486164 B CN 114486164B CN 202210401010 A CN202210401010 A CN 202210401010A CN 114486164 B CN114486164 B CN 114486164B
Authority
CN
China
Prior art keywords
hole probe
flow field
neural network
calibration
hole
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
CN202210401010.0A
Other languages
English (en)
Other versions
CN114486164A (zh
Inventor
陈�峰
任思源
李学臣
魏巍
时培杰
马护生
江辉
王素洁
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 CN202210401010.0A priority Critical patent/CN114486164B/zh
Publication of CN114486164A publication Critical patent/CN114486164A/zh
Application granted granted Critical
Publication of CN114486164B publication Critical patent/CN114486164B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/08—Aerodynamic models
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Abstract

本发明属于气动测试技术领域，公开了一种基于神经网络的三孔探针梯度流场测试标定方法。本发明的基于神经网络的三孔探针梯度流场测试标定方法包括以下步骤：构建标定梯度流场；进行三孔探针标定试验；构建三孔探针神经网络的标定输入输出参数；构建神经网络模型；进行平面叶栅尾迹三孔探针测量试验；计算平面叶栅尾迹三孔探针测量试验的神经网络的输入参数；计算平面叶栅尾迹流场参数。本发明的基于神经网络的三孔探针梯度流场测试标定方法能够有效降低空间梯度流场参数的三孔探针测量误差，特别适用于平面叶栅尾迹等二维强梯度流场参数的精确测量。

Description

一种基于神经网络的三孔探针梯度流场测试标定方法
技术领域
本发明属于气动测试技术领域，具体涉及一种基于神经网络的三孔探针梯度流场测试标定方法。
背景技术
多孔探针具有结构简单，操作灵活，测量结果可靠，鲁棒性强，流场气动参数测试全面等特点，在叶轮机等复杂流场测量领域得到了广泛的应用。然而，在应用多孔探针进行尾迹或边界层等存在较强梯度流场参数测量时，流场梯度的存在一方面会使气动探针头部扰流发生偏移，另一方面多孔探针的各测孔处于空间不同的点上，得到的并不是同一点的压力信息，由此会引起流动角度、速度、总压、静压等流场参数的测量误差。
当前，亟需发展一种能够有效降低空间梯度流场测量误差的基于神经网络的三孔探针梯度流场测试标定方法。
发明内容
本发明所要解决的技术问题是三孔探针常规校准测试方法无法准确实现梯度流场参数测试问题，提供了一种基于神经网络的三孔探针梯度流场测试标定方法。
本发明的基于神经网络的三孔探针梯度流场测试标定方法，包括以下步骤：
S10.构建标定梯度流场；
S20.进行三孔探针标定试验；
S30.构建三孔探针标定神经网络输入输出参数；
S40.构建神经网络模型；
S50.进行平面叶栅尾迹三孔探针测量试验；
S60.计算平面叶栅尾迹三孔探针测量神经网络输入参数；
S70.计算平面叶栅尾迹流场参数。
进一步地，所述的步骤S10的构建标定梯度流场的具体方法如下：
在矩形校准风洞安装单个二元对称翼型的叶片，利用叶片生成的尾迹构建标定梯度流场；叶片安装攻角为0°，叶片展长与矩形校准风洞宽度相等，叶片弦长大于等于作为后续测试对象的平面叶栅的弦长。
进一步地，所述的步骤S20的进行三孔探针标定试验的具体方法如下：
S21.设置来流马赫数
Figure DEST_PATH_IMAGE001
梯度序列、三孔探针转角
Figure 601290DEST_PATH_IMAGE002
梯度序列；
S22.进行标定梯度流场三孔探针标定试验；
在标定梯度流场中，三孔探针的测量面位于叶片下游、矩形校准风洞宽度方向的竖直对称平面；测量面的长度范围为叶片尾缘下游、距叶片尾缘0.5倍弦长~1.5倍弦长，测量面的宽度范围大于等于2倍叶片尾迹宽度；测量面中设置有测量线，测量线为若干条相互平行、上下对称的竖直线段；
按照步骤S21的来流马赫数
Figure 251714DEST_PATH_IMAGE001
梯度序列、三孔探针转角
Figure 175808DEST_PATH_IMAGE002
梯度序列，三孔探针逐一完成各来流马赫数
Figure 315713DEST_PATH_IMAGE001
和转角
Figure 616244DEST_PATH_IMAGE002
下，沿矩形校准风洞长度方向的测量线扫描；
获取标定梯度流场内、三孔探针三个测孔的压力测量值
Figure DEST_PATH_IMAGE003
、
Figure 590016DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
的分布和总压
Figure 403120DEST_PATH_IMAGE006
、静压
Figure DEST_PATH_IMAGE007
、气流角
Figure 993501DEST_PATH_IMAGE008
的分布及对应的测点位置纵坐标
Figure DEST_PATH_IMAGE009
的数据库；
其中，
Figure 51718DEST_PATH_IMAGE004
为三孔探针中心测孔的压力测量值，
Figure 676735DEST_PATH_IMAGE003
和
Figure 208210DEST_PATH_IMAGE005
为三孔探针两侧测孔的压力测量值；
获取标定梯度流场的总压
Figure 285888DEST_PATH_IMAGE006
，利用三孔探针在0°转角安装时，中心测孔
Figure 193801DEST_PATH_IMAGE004
测得的压力值代替，或者通过单点总压探针测量获得；
获取标定梯度流场的静压
Figure 922591DEST_PATH_IMAGE007
，利用三孔探针扫描测量线在矩形校准风洞侧壁面投影位置的壁面静压代替；
获取标定梯度流场的气流角
Figure 624968DEST_PATH_IMAGE008
为0°，或者利用热线、LDV或PIV测量获得。
进一步地，所述的步骤S30的构建三孔探针标定神经网络输入输出参数的具体方法如下：
利用步骤S20的三孔探针标定试验获取的测量数据，构建三孔探针标定神经网络的输入参数
Figure 924362DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
、
Figure 573650DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
和
Figure 655482DEST_PATH_IMAGE014
，及对应的输出参数
Figure DEST_PATH_IMAGE015
、
Figure 732022DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
；
其中，
Figure 767980DEST_PATH_IMAGE010
为马赫数系数，定义如下：
Figure 486537DEST_PATH_IMAGE018
Figure 940653DEST_PATH_IMAGE011
为气流角系数，定义如下：
Figure DEST_PATH_IMAGE019
Figure 204406DEST_PATH_IMAGE020
、
Figure 743972DEST_PATH_IMAGE013
和
Figure 266220DEST_PATH_IMAGE014
分别为三孔探针的三个测孔的压力测量值
Figure DEST_PATH_IMAGE021
、
Figure 309262DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE023
的空间梯度系数，定义如下：
Figure 242452DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
为三孔探针头部直径，
Figure 472576DEST_PATH_IMAGE026
表示
Figure 546318DEST_PATH_IMAGE021
对
Figure DEST_PATH_IMAGE027
求偏导数，
Figure 443867DEST_PATH_IMAGE028
表示
Figure 564270DEST_PATH_IMAGE022
对
Figure 344007DEST_PATH_IMAGE027
求偏导数，
Figure DEST_PATH_IMAGE029
表示
Figure 191746DEST_PATH_IMAGE023
对
Figure 209381DEST_PATH_IMAGE027
求偏导数；
标定梯度流场的马赫数
Figure 766264DEST_PATH_IMAGE015
，定义如下：
Figure 767718DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
为空气比热比，取值为1.4；
Figure 655034DEST_PATH_IMAGE016
为三孔探针相对来流的角度，即三孔探针转角
Figure 527175DEST_PATH_IMAGE032
与各测点位置的气流角
Figure DEST_PATH_IMAGE033
的叠加角度，定义如下：
Figure 973068DEST_PATH_IMAGE034
Figure 930660DEST_PATH_IMAGE017
为总压系数，定义如下：
Figure DEST_PATH_IMAGE035
进一步地，所述的步骤S40的构建神经网络模型的具体方法如下：
S41.构建一个双层前馈神经网络模型，包含一个隐藏层和一个输出层，其中，隐藏层设置有一个sigmoid传递函数，输出层设置有一个线性传递函数，隐藏层的神经元个数为50个~80个；
S42.对步骤S30获得的三孔探针标定神经网络输入参数、输出参数分别进行归一化处理，公式如下：
Figure 136513DEST_PATH_IMAGE036
式中，
Figure DEST_PATH_IMAGE037
为待归一化的输入参数、输出参数，
Figure 345385DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE039
分别为待归一化的输入参数、输出参数的最大值和最小值，
Figure 712912DEST_PATH_IMAGE040
为归一化后的输入参数、输出参数，归一化范围为[-1,1]；
S43.将归一化后的输入输出参数向量随机分为训练集、验证集和测试集三组数据集，分配比例为70%、15%和15%；采用Levenberg-Marquardt算法对神经网络模型进行训练，得到神经网络拟合函数。
进一步地，所述的步骤S50的进行平面叶栅尾迹三孔探针测量试验，是利用标定的三孔探针对平面叶栅尾迹进行扫描测量，获得三孔探针的三个测孔压力数据和对应的位置坐标。
进一步地，所述的步骤S60的计算平面叶栅尾迹三孔探针测量神经网络输入参数，是利用公式（1）~公式（5）计算平面叶栅尾迹三孔探针测量神经网络输入参数
Figure DEST_PATH_IMAGE041
、
Figure 141488DEST_PATH_IMAGE042
、
Figure DEST_PATH_IMAGE043
、
Figure 885453DEST_PATH_IMAGE044
和
Figure DEST_PATH_IMAGE045
，再利用公式（9）对测量输入参数进行规范化处理，其中，公式（9）中的
Figure 466607DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE047
分别使用三孔探针标定神经网络输入参数的最大值和最小值。
进一步地，所述的步骤S70的计算平面叶栅尾迹流场参数的具体方法如下：
利用神经网络拟合函数计算得到输出参数，并对输出参数进行反归一化处理，反归一化公式如下：
Figure 755768DEST_PATH_IMAGE048
其中，公式（10）中的
Figure DEST_PATH_IMAGE049
和
Figure 422373DEST_PATH_IMAGE050
分别使用三孔探针标定输出参数的最大值和最小值，经过反归一化处理后即得到了平面叶栅尾迹流场的马赫数
Figure 235608DEST_PATH_IMAGE015
、三孔探针相对来流的角度
Figure 451695DEST_PATH_IMAGE016
和总压系数
Figure 426604DEST_PATH_IMAGE017
，流场总压
Figure DEST_PATH_IMAGE051
通过如下公式计算：
Figure 846084DEST_PATH_IMAGE052
。
本发明的基于神经网络的三孔探针梯度流场测试标定方法构建的叶片尾迹标定梯度流场，流动更加稳定，流场具有更丰富的梯度信息，且叶片尾缘下游0.5倍弦长后尾迹标定区气流角变化较小，近似为0°气流角的平行剪切流动。
本发明的基于神经网络的三孔探针梯度流场测试标定方法能够有效降低空间梯度流场参数三孔探针测量误差，特别适用于平面叶栅尾迹等二维强梯度流场参数的精确测量。
附图说明
图1为本发明的基于神经网络的三孔探针梯度流场测试标定方法的流程图；
图2为实施例1中进行三孔探针标定试验的叶片和三孔探针的相对位置图；
图3a为实施例1获得的风洞来流马赫数0.3条件下、测量线上的总压、静压分布曲线；
图3b为实施例1获得的风洞来流马赫数0.3条件下、测量线上的气流角分布曲线；
图3c为实施例1获得的风洞来流马赫数0.3条件下、测量线上的马赫数分布曲线；
图4为实施例1构建的神经网络模型的结构示意图；
图5a为实施例1和常规标定方法得到的总压分布对比情况；
图5b为实施例1和常规标定方法得到的马赫数分布对比情况；
图5c为实施例1和常规标定方法得到的气流角分布对比情况。
图中，Ⅰ.叶片；Ⅱ.三孔探针。
具体实施方式
下面结合附图和实例对本发明进行进一步的说明。
实施例1
如图1所示，本实施例的实施步骤如下：
S10.构建标定梯度流场；
本实施例利用平面叶栅风洞作为校准风洞，叶片Ⅰ和三孔探针Ⅱ的相对位置见图2，具有二元对称翼型的叶片Ⅰ以0°攻角安装在平面叶栅风洞的中心，叶片Ⅰ的展长与平面叶栅风洞的宽度一致，叶片Ⅰ弦长60mm，三孔探针Ⅱ为直径2mm的圆柱形三孔探针；三孔探针Ⅱ的扫描测量线为上下对称的竖直线，位于平面叶栅风洞宽度方向的竖直对称平面上，距离叶片尾缘下游0.5倍弦长处，竖直线的纵向坐标
Figure 463010DEST_PATH_IMAGE009
范围为-7mm~7mm，间隔0.2mm。
S20.进行三孔探针标定试验；
S21.设置来流马赫数
Figure 32139DEST_PATH_IMAGE001
梯度序列、三孔探针转角
Figure 177949DEST_PATH_IMAGE002
梯度序列；
马赫数
Figure 350304DEST_PATH_IMAGE001
范围为0.20~0.40，马赫数
Figure 505342DEST_PATH_IMAGE001
梯度为0.05；三孔探针转角
Figure 430442DEST_PATH_IMAGE002
范围为-15°~15°，三孔探针转角
Figure 278312DEST_PATH_IMAGE002
梯度为3°；
S22.进行梯度流场三孔探针标定测试；
按照步骤S21的来流马赫数
Figure 672384DEST_PATH_IMAGE001
梯度序列、三孔探针转角
Figure 365534DEST_PATH_IMAGE002
梯度序列，三孔探针沿竖直线从上至下进行扫描，逐一完成各来流马赫数
Figure 161452DEST_PATH_IMAGE001
和三孔探针转角
Figure 930956DEST_PATH_IMAGE002
的测量；
获取三孔探针三个测孔的压力测量值
Figure 546745DEST_PATH_IMAGE003
、
Figure 309164DEST_PATH_IMAGE004
、
Figure 959588DEST_PATH_IMAGE005
的分布和总压
Figure 883682DEST_PATH_IMAGE006
、静压
Figure 501614DEST_PATH_IMAGE007
、气流角
Figure 802145DEST_PATH_IMAGE008
分布及测点位置纵坐标
Figure 307076DEST_PATH_IMAGE009
；
其中，
Figure 667650DEST_PATH_IMAGE004
为三孔探针中心测孔的压力测量值，
Figure 740255DEST_PATH_IMAGE003
和
Figure 844477DEST_PATH_IMAGE005
为三孔探针两侧测孔的压力测量值；
获取测量线的总压
Figure 469494DEST_PATH_IMAGE006
，利用三孔探针0°转角安装时，中心测孔
Figure 735390DEST_PATH_IMAGE004
测得的压力值代替；
获取测量线的静压
Figure 813067DEST_PATH_IMAGE007
，利用测量线在平面叶栅风洞长度方向壁面上投影位置的壁面静压代替；
获取测量线的气流角
Figure 704669DEST_PATH_IMAGE008
，利用热线测量获得；
图3a展示了风洞典型来流马赫数0.3条件下、测量线上的总压、静压分布曲线；
图3b展示了风洞典型来流马赫数0.3条件下、叶片尾迹气流角分布曲线；
S30.构建三孔探针标定神经网络输入输出参数；
利用步骤S20的三孔探针标定试验获取的测量数据，构建三孔探针标定神经网络输入参数
Figure 184192DEST_PATH_IMAGE010
、
Figure 620989DEST_PATH_IMAGE011
、
Figure 451542DEST_PATH_IMAGE012
、
Figure 631988DEST_PATH_IMAGE013
和
Figure 982329DEST_PATH_IMAGE014
，及对应的输出标定参数
Figure 855607DEST_PATH_IMAGE015
、
Figure 642297DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE053
；
其中
Figure 360855DEST_PATH_IMAGE010
为马赫数系数，定义如下：
Figure 64237DEST_PATH_IMAGE054
Figure 108417DEST_PATH_IMAGE011
为气流角系数，定义如下：
Figure 382403DEST_PATH_IMAGE019
Figure 904651DEST_PATH_IMAGE012
、
Figure 961076DEST_PATH_IMAGE013
和
Figure 176156DEST_PATH_IMAGE014
为三孔探针的三个测孔测量压力的空间梯度系数，分别定义如下：
Figure DEST_PATH_IMAGE055
其中，
Figure 671860DEST_PATH_IMAGE025
为三孔探针头部直径，
Figure 732220DEST_PATH_IMAGE026
表示
Figure 675774DEST_PATH_IMAGE021
对
Figure 796177DEST_PATH_IMAGE027
求偏导数，
Figure 44755DEST_PATH_IMAGE028
表示
Figure 174385DEST_PATH_IMAGE022
对
Figure 457599DEST_PATH_IMAGE027
求偏导数，
Figure 499636DEST_PATH_IMAGE029
表示
Figure 501090DEST_PATH_IMAGE023
对
Figure 168831DEST_PATH_IMAGE027
求偏导数；
Figure 306552DEST_PATH_IMAGE015
为尾迹标定区流场的马赫数，定义如下：
Figure 18025DEST_PATH_IMAGE056
其中，
Figure 241195DEST_PATH_IMAGE031
为空气比热比，取值为1.4；
图3c展示了风洞典型来流马赫数0.3条件下、测量线上的马赫数分布曲线；
Figure 978207DEST_PATH_IMAGE016
为三孔探针相对来流的角度，即三孔探针转角
Figure 970434DEST_PATH_IMAGE032
与各测点位置的气流角
Figure 869120DEST_PATH_IMAGE033
的叠加，定义如下：
Figure DEST_PATH_IMAGE057
Figure 796231DEST_PATH_IMAGE017
为总压系数，定义如下：
Figure 71355DEST_PATH_IMAGE058
S40.构建神经网络模型；
S41.为提高神经网络训练效率，本实施例构建一个如图4所示的双层前馈神经网络模型，包含一个隐藏层和一个输出层，其中，隐藏层设置有一个sigmoid传递函数，输出层设置有一个线性传递函数，隐藏层的神经元个数为80个；图4中W表示神经网络参数权重，b表示神经网络参数偏置，5表示输入参数个数，3表示输出参数个数；
S42.在训练前，对步骤S30获得的三孔探针标定神经网络输入输出参数分别进行归一化处理，公式如下：
Figure DEST_PATH_IMAGE059
式中，
Figure 652509DEST_PATH_IMAGE037
为待归一化的输入参数、输出参数，
Figure 971364DEST_PATH_IMAGE038
和
Figure 169127DEST_PATH_IMAGE039
分别为待归一化的输入参数、输出参数的最大值和最小值，
Figure 982362DEST_PATH_IMAGE040
为归一化后的输入参数、输出参数，归一化范围为[-1,1]；
S43.将归一化后的输出标定参数向量随机分为训练集、验证集和测试集三组数据集，分配比例为70%、15%和15%；采用Levenberg-Marquardt算法对神经网络模型进行训练，得到神经网络拟合函数。
S50.进行平面叶栅尾迹三孔探针测量试验；
利用标定的三孔探针Ⅱ对平面叶栅尾迹进行扫描测量，获得三孔探针Ⅱ的三个测孔压力数据和对应的位置坐标。
S60.计算平面叶栅尾迹三孔探针测量神经网络输入参数；
利用公式（1）~公式（5）计算平面叶栅尾迹三孔探针测量神经网络输入参数
Figure 683602DEST_PATH_IMAGE041
、
Figure 924090DEST_PATH_IMAGE042
、
Figure 94303DEST_PATH_IMAGE043
、
Figure 445650DEST_PATH_IMAGE044
和
Figure 532554DEST_PATH_IMAGE045
，再利用公式（9）对测量输入参数进行规范化处理，其中，公式（9）中的
Figure 943944DEST_PATH_IMAGE046
和
Figure 116299DEST_PATH_IMAGE047
分别使用三孔探针标定输入参数的最大值和最小值。
S70.计算平面叶栅尾迹流场参数；
利用神经网络拟合函数计算得到输出参数，并对输出参数进行反归一化处理，反归一化公式如下：
Figure 520605DEST_PATH_IMAGE048
其中，公式（10）中的
Figure 196437DEST_PATH_IMAGE049
和
Figure 44307DEST_PATH_IMAGE050
分别使用三孔探针标定输出参数的最大值和最小值，经过反归一化处理后即得到了平面叶栅尾迹流场的马赫数
Figure 438379DEST_PATH_IMAGE015
、气流角
Figure 397108DEST_PATH_IMAGE016
和总压系数
Figure 698687DEST_PATH_IMAGE017
，流场总压
Figure 451879DEST_PATH_IMAGE051
通过如下公式计算：
Figure 333247DEST_PATH_IMAGE052
图5a、图5b、图5c为本实施例和常规标定方法得到的流场参数和实际尾迹流场参数的对比情况。图5a可见采用本发明的基于神经网络的三孔探针梯度流场测试标定方法和常规标定方法得到的总压分布误差均较小。但是，图5b、图5c可见，本发明的基于神经网络的三孔探针梯度流场测试标定方法测量得到的马赫数和气流角分布精度则明显优于常规标定方法，特别是常规标定方法得到的气流角最大误差达到了5°左右，而本发明的基于神经网络的三孔探针梯度流场测试标定方法得到的气流角最大误差仅0.5°左右。可以认为，本发明的基于神经网络的三孔探针梯度流场测试标定方法对于平面叶栅尾迹流场参数的测量精度明显优于常规标定方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (1)

1.一种基于神经网络的三孔探针梯度流场测试标定方法，其特征在于，所述的流场测试标定方法包括以下步骤：
S10.构建标定梯度流场；
在矩形校准风洞安装单个二元对称翼型的叶片，利用叶片生成的尾迹构建标定梯度流场；叶片安装攻角为0°，叶片展长与矩形校准风洞宽度相等，叶片弦长大于等于作为后续测试对象的平面叶栅的弦长；
S20.进行三孔探针标定试验；
S21.设置来流马赫数
Figure DEST_PATH_IMAGE002
梯度序列、三孔探针转角
Figure DEST_PATH_IMAGE004
梯度序列；
S22.进行标定梯度流场三孔探针标定试验；
在标定梯度流场中，三孔探针的测量面位于叶片下游、矩形校准风洞宽度方向的竖直对称平面；测量面的长度范围为叶片尾缘下游、距叶片尾缘0.5倍弦长~1.5倍弦长，测量面的宽度范围大于等于2倍叶片尾迹宽度；测量面中设置有测量线，测量线为若干条相互平行、上下对称的竖直线段；
按照步骤S21的来流马赫数
Figure 567517DEST_PATH_IMAGE002
梯度序列、三孔探针转角
Figure 395576DEST_PATH_IMAGE004
梯度序列，三孔探针逐一完成各来流马赫数
Figure 706472DEST_PATH_IMAGE002
和转角
Figure 508206DEST_PATH_IMAGE004
下，沿矩形校准风洞长度方向的测量线扫描；
获取标定梯度流场内、三孔探针三个测孔的压力测量值
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE010
的分布和总压
Figure DEST_PATH_IMAGE012
、静压
Figure DEST_PATH_IMAGE014
、气流角
Figure DEST_PATH_IMAGE016
的分布及对应的测点位置纵坐标
Figure DEST_PATH_IMAGE018
的数据库；
其中，
Figure 571845DEST_PATH_IMAGE008
为三孔探针中心测孔的压力测量值，
Figure 925466DEST_PATH_IMAGE006
和
Figure 864604DEST_PATH_IMAGE010
为三孔探针两侧测孔的压力测量值；
获取标定梯度流场的总压
Figure 329083DEST_PATH_IMAGE012
，利用三孔探针在0°转角安装时，中心测孔
Figure 404486DEST_PATH_IMAGE008
测得的压力值代替，或者通过单点总压探针测量获得；
获取标定梯度流场的静压
Figure 929009DEST_PATH_IMAGE014
，利用三孔探针扫描测量线在矩形校准风洞侧壁面投影位置的壁面静压代替；
获取标定梯度流场的气流角
Figure 588398DEST_PATH_IMAGE016
为0°，或者利用热线、LDV或PIV测量获得；
S30.构建三孔探针标定神经网络输入输出参数；
利用步骤S20的三孔探针标定试验获取的测量数据，构建三孔探针标定神经网络的输入参数
Figure DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE028
，及对应的输出参数
Figure DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE032
和
Figure DEST_PATH_IMAGE034
；
其中，
Figure 840256DEST_PATH_IMAGE020
为马赫数系数，定义如下：
Figure DEST_PATH_IMAGE036
Figure 301325DEST_PATH_IMAGE022
为气流角系数，定义如下：
Figure DEST_PATH_IMAGE038
Figure 668852DEST_PATH_IMAGE024
、
Figure 441636DEST_PATH_IMAGE026
和
Figure 123284DEST_PATH_IMAGE028
分别为三孔探针的三个测孔的压力测量值
Figure DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE042
、
Figure DEST_PATH_IMAGE044
的空间梯度系数，定义如下：
Figure DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE048
为三孔探针头部直径，
Figure DEST_PATH_IMAGE050
表示
Figure 603639DEST_PATH_IMAGE040
对
Figure DEST_PATH_IMAGE052
求偏导数，
Figure DEST_PATH_IMAGE054
表示
Figure 781548DEST_PATH_IMAGE042
对
Figure 776049DEST_PATH_IMAGE052
求偏导数，
Figure DEST_PATH_IMAGE056
表示
Figure 792547DEST_PATH_IMAGE044
对
Figure 962628DEST_PATH_IMAGE052
求偏导数；
标定梯度流场的马赫数
Figure 265433DEST_PATH_IMAGE030
，定义如下：
Figure DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE060
为空气比热比，取值为1.4；
Figure 324394DEST_PATH_IMAGE032
为三孔探针相对来流的角度，即三孔探针转角
Figure DEST_PATH_IMAGE062
与各测点位置的气流角
Figure DEST_PATH_IMAGE064
的叠加角度，定义如下：
Figure DEST_PATH_IMAGE066
Figure 816686DEST_PATH_IMAGE034
为总压系数，定义如下：
Figure DEST_PATH_IMAGE068
S40.构建神经网络模型；
S41.构建一个双层前馈神经网络模型，包含一个隐藏层和一个输出层，其中，隐藏层设置有一个sigmoid传递函数，输出层设置有一个线性传递函数，隐藏层的神经元个数为50个~80个；
S42.对步骤S30获得的三孔探针标定神经网络输入参数、输出参数分别进行归一化处理，公式如下：
Figure DEST_PATH_IMAGE070
式中，
Figure DEST_PATH_IMAGE072
为待归一化的输入参数、输出参数，
Figure DEST_PATH_IMAGE074
和
Figure DEST_PATH_IMAGE076
分别为待归一化的输入参数、输出参数的最大值和最小值，
Figure DEST_PATH_IMAGE078
为归一化后的输入参数、输出参数，归一化范围为[-1,1]；
S43.将归一化后的输入输出参数向量随机分为训练集、验证集和测试集三组数据集，分配比例为70%、15%和15%；采用Levenberg-Marquardt算法对神经网络模型进行训练，得到神经网络拟合函数；
S50.进行平面叶栅尾迹三孔探针测量试验；
利用标定的三孔探针对平面叶栅尾迹进行扫描测量，获得三孔探针的三个测孔压力数据和对应的位置坐标；
S60.计算平面叶栅尾迹三孔探针测量神经网络输入参数；
利用公式（1）~公式（5）计算平面叶栅尾迹三孔探针测量神经网络输入参数
Figure DEST_PATH_IMAGE080
、
Figure DEST_PATH_IMAGE082
、
Figure DEST_PATH_IMAGE084
、
Figure DEST_PATH_IMAGE086
和
Figure DEST_PATH_IMAGE088
，再利用公式（9）对测量输入参数进行规范化处理，其中，公式（9）中的
Figure DEST_PATH_IMAGE090
和
Figure DEST_PATH_IMAGE092
分别使用三孔探针标定神经网络输入参数的最大值和最小值；
S70.计算平面叶栅尾迹流场参数；
利用神经网络拟合函数计算得到输出参数，并对输出参数进行反归一化处理，反归一化公式如下：
Figure DEST_PATH_IMAGE094
其中，公式（10）中的
Figure DEST_PATH_IMAGE096
和
Figure DEST_PATH_IMAGE098
分别使用三孔探针标定输出参数的最大值和最小值，经过反归一化处理后即得到了平面叶栅尾迹流场的马赫数
Figure 876827DEST_PATH_IMAGE030
、三孔探针相对来流的角度
Figure 84954DEST_PATH_IMAGE032
和总压系数
Figure 693528DEST_PATH_IMAGE034
，流场总压
Figure DEST_PATH_IMAGE100
通过如下公式计算：
Figure DEST_PATH_IMAGE102
（11）。
CN202210401010.0A 2022-04-18 2022-04-18 一种基于神经网络的三孔探针梯度流场测试标定方法 Active CN114486164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210401010.0A CN114486164B (zh) 2022-04-18 2022-04-18 一种基于神经网络的三孔探针梯度流场测试标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210401010.0A CN114486164B (zh) 2022-04-18 2022-04-18 一种基于神经网络的三孔探针梯度流场测试标定方法

Publications (2)

Publication Number Publication Date
CN114486164A CN114486164A (zh) 2022-05-13
CN114486164B true CN114486164B (zh) 2022-06-17

Family

ID=81489626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210401010.0A Active CN114486164B (zh) 2022-04-18 2022-04-18 一种基于神经网络的三孔探针梯度流场测试标定方法

Country Status (1)

Country Link
CN (1) CN114486164B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943187B (zh) * 2022-07-21 2022-10-25 中国空气动力研究与发展中心高速空气动力研究所 一种基于神经网络的阀门特性曲面构造方法
CN116499695B (zh) * 2023-06-25 2023-09-05 中国空气动力研究与发展中心低速空气动力研究所 一种飞机尾流场风洞测量装置及方法
CN116558771B (zh) * 2023-07-12 2023-09-01 中国空气动力研究与发展中心高速空气动力研究所 考虑压缩性的五孔探针球坐标系测量不确定度评估方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5929331A (en) * 1997-01-14 1999-07-27 The Texas A&M University System Multi-directional, three component velocity measurement pressure probe
DE10027374A1 (de) * 2000-06-02 2001-12-13 Dlr Ev Verfahren zur Simulation von Bedingungen eines Höchstgeschwindigkeitsflugs für Materialprüfungen
CN102692310A (zh) * 2012-05-11 2012-09-26 西北工业大学 一种风洞试验用三孔探针式测压尾耙
CN102692311A (zh) * 2012-05-11 2012-09-26 西北工业大学 一种用于翼型风洞试验的测压尾耙
CN202582868U (zh) * 2012-05-11 2012-12-05 西北工业大学 一种测量翼型尾迹流场的试验装置
CN105699043A (zh) * 2016-04-14 2016-06-22 中国空气动力研究与发展中心高速空气动力研究所 一种提高风洞传感器测量稳定性和精准度的方法
CN109883644A (zh) * 2019-03-08 2019-06-14 中国空气动力研究与发展中心高速空气动力研究所 一种获得孔壁Darcy系数的试验方法及其应用
CN111022382A (zh) * 2019-12-05 2020-04-17 中国人民解放军空军工程大学 利用电弧放电等离子体激励器调控超音速压气机层流叶型激波/边界层干扰的方法与装置
CN112098060A (zh) * 2020-08-19 2020-12-18 西北工业大学 一种喷嘴出口平均马赫数的测量方法
CN112556978A (zh) * 2021-02-20 2021-03-26 中国空气动力研究与发展中心低速空气动力研究所 一种风洞试验气流场旋转测量装置
CN113720609A (zh) * 2021-07-07 2021-11-30 南京航空航天大学 基于人工神经网络的可调总压畸变发生器调节指导方法
CN114046959A (zh) * 2021-12-01 2022-02-15 中国科学院工程热物理研究所 一种基于双级人工神经网络的五孔气动探针标定方法
CN114046960A (zh) * 2022-01-12 2022-02-15 中国空气动力研究与发展中心空天技术研究所 基于预先动态标定的气动探针定常流场连续测试方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110514391B (zh) * 2019-08-12 2020-12-04 北京航空航天大学 一种五孔压力探针测量三维流场不确定度评定方法
CN111220348A (zh) * 2020-03-06 2020-06-02 上海海事大学 一种复合型五孔压力-温度探针

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5929331A (en) * 1997-01-14 1999-07-27 The Texas A&M University System Multi-directional, three component velocity measurement pressure probe
DE10027374A1 (de) * 2000-06-02 2001-12-13 Dlr Ev Verfahren zur Simulation von Bedingungen eines Höchstgeschwindigkeitsflugs für Materialprüfungen
CN102692310A (zh) * 2012-05-11 2012-09-26 西北工业大学 一种风洞试验用三孔探针式测压尾耙
CN102692311A (zh) * 2012-05-11 2012-09-26 西北工业大学 一种用于翼型风洞试验的测压尾耙
CN202582868U (zh) * 2012-05-11 2012-12-05 西北工业大学 一种测量翼型尾迹流场的试验装置
CN105699043A (zh) * 2016-04-14 2016-06-22 中国空气动力研究与发展中心高速空气动力研究所 一种提高风洞传感器测量稳定性和精准度的方法
CN109883644A (zh) * 2019-03-08 2019-06-14 中国空气动力研究与发展中心高速空气动力研究所 一种获得孔壁Darcy系数的试验方法及其应用
CN111022382A (zh) * 2019-12-05 2020-04-17 中国人民解放军空军工程大学 利用电弧放电等离子体激励器调控超音速压气机层流叶型激波/边界层干扰的方法与装置
CN112098060A (zh) * 2020-08-19 2020-12-18 西北工业大学 一种喷嘴出口平均马赫数的测量方法
CN112556978A (zh) * 2021-02-20 2021-03-26 中国空气动力研究与发展中心低速空气动力研究所 一种风洞试验气流场旋转测量装置
CN113720609A (zh) * 2021-07-07 2021-11-30 南京航空航天大学 基于人工神经网络的可调总压畸变发生器调节指导方法
CN114046959A (zh) * 2021-12-01 2022-02-15 中国科学院工程热物理研究所 一种基于双级人工神经网络的五孔气动探针标定方法
CN114046960A (zh) * 2022-01-12 2022-02-15 中国空气动力研究与发展中心空天技术研究所 基于预先动态标定的气动探针定常流场连续测试方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Identification of flow phenomena over NACA 4412 wind turbine airfoil at low Reynolds numbers and role of laminar separation bubble on flow evolution;K. Koca et al.;《Energy》;20181231;第144卷;Pages 750-764 *
亚声速压气机平面叶栅雷诺数影响试验;魏巍 等;《航空动力学报》;20211124;第1-9页 *

Also Published As

Publication number Publication date
CN114486164A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114486164B (zh) 一种基于神经网络的三孔探针梯度流场测试标定方法
CN116007884B (zh) 一种考虑压缩性的五孔探针球坐标系数据处理方法
CN106096223B (zh) 一种五孔探针数据处理方法
CN113916486B (zh) 一种基于多参数压力回归算法低速风洞速压测控方法
CN110006563B (zh) 直升机桨叶挥舞与摆振弯矩分布式光纤解耦测量方法
CN114323536B (zh) 一种提高五孔探针测量精度的插值方法
CN111220341B (zh) 一种风洞高马赫数低雷诺数轴对称型面喷管设计方法
CN108593964B (zh) 一种七孔气流探针的标定方法
CN111707439B (zh) 一种可压缩流体湍流度测量试验数据的双曲线拟合方法
CN112685972A (zh) 一种高效率的高超声速飞行器压力传感器分布优化方法
CN111856072B (zh) 一种气流速度计算方法、系统、设备及一种存储介质
CN111498141B (zh) 一种基于微型探针实现气流角度实时监测的方法与装置
Legg et al. A three-hot-wire anemometer for measuring two velocity components in high intensity turbulent boundary layers
CN111487440A (zh) 一种五孔探针的标定方法
Chen et al. Effect of transducer shadowing of ultrasonic anemometers on wind velocity measurement
CN113281001B (zh) 基于集成式微型大气数据模块的全速域大气数据解算方法
Wu et al. A robust calibration method for seven-hole pressure probes
CN116660842A (zh) 基于和差波束的二维联合测角方法、装置、设备、介质
CN106646413B (zh) 一种雷达组网垂线交叉融合定位方法及误差解算方法
CN112954637B (zh) 一种锚节点位置不确定情况下的目标定位方法
Ramakrishnan et al. Calibration and data-reduction algorithms for nonconventional multihole pressure probes
Rupesh Ms et al. Experimental and Computational Evaluation of Five Hole Five Probe Flow Analyzer for Subsonic Wind Calibration
CN115839817B (zh) 一种用于翼型试验的近壁多点式附面层测量装置及方法
CN115342771A (zh) 一种航空发动机可调圆形尾喷管喉部面积标定方法
CN116558769B (zh) 一种考虑压缩性的五孔探针校准数据应用方法

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