CN114996658A - 一种基于投影的高超声速飞行器气动热预测方法 - Google Patents
一种基于投影的高超声速飞行器气动热预测方法 Download PDFInfo
- Publication number
- CN114996658A CN114996658A CN202210852261.0A CN202210852261A CN114996658A CN 114996658 A CN114996658 A CN 114996658A CN 202210852261 A CN202210852261 A CN 202210852261A CN 114996658 A CN114996658 A CN 114996658A
- Authority
- CN
- China
- Prior art keywords
- heat flow
- image
- projection
- aircraft
- heat
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 101100039010 Caenorhabditis elegans dis-3 gene Proteins 0.000 description 2
- 101100030351 Schizosaccharomyces pombe (strain 972 / ATCC 24843) dis2 gene Proteins 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于投影的高超声速飞行器气动热预测方法,包括:步骤1、将三维飞行器在多个不同平面进行投影获得多视图深度投影图像;步骤2、构建并训练热流图像智能预测模型及最大最小热流预测模型;步骤3、在不同来流条件下,输入多视图深度投影图像至热流图像智能预测模型及最大最小热流预测模型,得到热流图像和热流最大最小值;步骤4、获取多视图深度投影图像对应的真实热流图像;步骤5、将多视图深度投影图像重构为三维点云,结合热流图像得到三维热流点云,再进行插值得到三维飞行器的壁面热流分布。本发明能够高效精确地进行飞行器表面气动热环境预测,通过投影后得到的图像进行直接预测,一次获得所有点的热流值,更加高效。
Description
技术领域
本发明涉及高超声速飞行器气动热高效评估领域,特别涉及一种基于投影的高超声速飞行器气动热预测方法。
背景技术
高超声速飞行时,大部分动能会快速转化为热能,使周围空气温度急剧上升,高温空气与飞行器表面产生的巨大温差会使得部分热能通过边界层传递到飞行器表面,这种现象称为气动加热,即气动热。影响气动热的主要因素包括飞行器形状、飞行参数和飞行器表面材料特性。飞行器形状将影响绕飞行器的激波形态和流动特性;飞行参数包括飞行速度、飞行高度、飞行姿态等,这些参数的变化会导致气动热环境的剧烈变化;飞行器表面材料对高温边界层内化学反应的催化特性不同,将对气动热产生较大影响。由于影响气动热的因素众多且较为复杂,因此气动热的预测相对比较困难,通常采用数值模拟方法或者风洞试验方法进行模拟和试验。风洞试验无法模拟所有参数条件和外形,因此在高超声速飞行器设计初期,需要进行大量的气动热数值模拟。
此外,在高超声速环境中,涉及流-固耦合的气动弹性问题会进一步与气动热、结构热传导等热学问题耦合,使得经典的气动弹性问题进一步恶化,形成包含流-固-热耦合的热气动弹性问题,因此必须及时获取飞行器局部形变引起的气动热变化。飞行过程中,这种局部形变带来的气动热变化无法实时通过数值模拟得到,只能通过更加高效的方法获取。然而,目前并没有预测气动热环境的快速手段,只能进行工程化计算或者CFD数值计算,这会增加快速选型阶段的时间,延长飞行器设计周期。因此,发展一种高效的气动热环境智能预测方法十分必要。
目前的方案是逐点进行热流预测的,因此预测时间与飞行器壁面点的数量正相关;其次,需要分别抽取全局和局部形状特征,用于区分不同形状对热流的影响;最后,尽管已有方案在提取全局特征时也用到了降维方法,但其方案的降维属于简单降维,降维后的图像并没有保留深度信息,即利用降维后的图像无法重构回原三维飞行器。
发明内容
针对现有技术中存在的问题,提供了一种基于投影的高超声速飞行器气动热预测方法,能够高效精确地进行飞行器表面气动热环境预测。
本发明采用的技术方案如下:一种基于投影的高超声速飞行器气动热预测方法,包括:
步骤1、将三维飞行器在多个不同平面进行投影获得多视图深度投影图像;
步骤2、构建并训练热流图像智能预测模型及最大最小热流预测模型;
步骤3、在不同来流条件下,输入多视图深度投影图像至热流图像智能预测模型及最大最小热流预测模型,分别得到热流图像和对应热流图像中的热流最大最小值;
步骤4、根据热流图像及热流图像中的热流最大最小值得到多视图深度投影图像对应的真实热流图像;
步骤5、将多视图深度投影图像重构为三维点云,通过三维点云与预测的真实热流图像的映射关系得到三维热流点云,对三维热流点云进行插值得到三维飞行器的壁面热流分布。
进一步的,所述步骤1的具体子步骤为:
步骤1.1、选定一个投影方向,计算飞行器壁面各点在投影平面的坐标,并将飞行器在投影方向的坐标值作为深度信息保留在投影点中,形成飞行器在投影平面的坐标点集合;
步骤1.2、根据坐标点的范围划定图像区域,并将投影点与像素点进行位置转换,得到投影图像,并根据投影点与像素点的位置关系,计算像素点对应的深度值从而得到飞行器在对应投影平面的深度投影图像;
步骤1.3、切换不同投影方向,重复步骤1.1和步骤1.2,得到飞行器外形的多视图深度投影图像。
进一步的,所述步骤2的具体子步骤为:
步骤2.1、构建飞行器热流预测模型训练数据集;
步骤2.2、构建卷积神经网络分别形成热流图像智能预测模型和最大最小热流预测模型,分别用于得到归一化后的多视图热流图像和热流图像的热流最大值最小值;并采用步骤2.1中的训练数据集完成训练。
进一步的,所述步骤2.1包括:
步骤2.1.1、针对多种高超声速飞行器外形和不同来流条件,采用数值模拟方法得到不同组合下的飞行器壁面热流分布情况;
步骤2.1.2、将所有飞行器外形采用步骤1的方法得到多视图深度投影图像,并与不同来流条件组成模型的输入;将数值计算得到的热流分布进行降维,并将热流值编码保存到图像的各像素点,得到降维后的热流图像,然后记录热流图像的最大值与最小值,并将热流图像归一化;
步骤2.1.3、将来流条件扩展为图像大小,得到来流图像;
步骤2.1.4、构建以飞行器外形的多视图深度投影图像与来流图像为输入、以归一化后的热流图像及热流最大最小值为输出的数据训练集。
进一步的,所述步骤3中,通过改变来流条件,得到不同来流条件下飞行器的多视图深度投影图像对应的热流图像;热流图像智能预测模型输出归一化的热流图像,最大最小热流预测模型输出对应热流图像中的热流最大最小值。
进一步的,所述步骤4中,将归一化热流图像中各像素点的热流值做反归一化,得到真实热流值,重复对所有像素点进行热流值反归一化处理,得到飞行器多视图深度投影图像对应的真实热流图像。
进一步的,所述真实热流值计算方法为:
其中,Qi为真实热流值,Qi′为归一化后的热流值,由归一化热流图像获取,max为热流最大值,min为热流最小值。
进一步的,所述步骤5中,多视图深度投影图像重构为三维点云的具体方法为:针对某一视图下的深度投影图像,遍历图像中的所有像素点,得到像素点的像素位置和像素点存储的深度信息,根据像素点的像素位置得到像素点对应的空间坐标中的其中两维,另一维坐标通过深度信息获取,最终得到深度投影图像中所有像素点对应的三维空间坐标;重复遍历所有视图的深度投影图像,得到各个视图深度投影图像的空间点坐标,形成三维点云。
进一步的,所述步骤5中插值的具体方法为:
步骤5.1、读取三维飞行器原始外形文件中的所有坐标点,计算每个坐标点与三维点云中所有点的距离,并得到三维点云中与该坐标点最近的三个点的位置以及对应热流值;
步骤5.2、计算步骤5.1得到的三个点对应热流值的平均值,将该平均值作为原始坐标点的热流值;
步骤5.3、重复步骤5.1和步骤5.2直到完成飞行器壁面所有坐标点的热流值计算,完成热流修正。
与现有技术相比,采用上述技术方案的有益效果为:本发明能够高效精确地进行飞行器表面气动热环境预测,相较于现有方案通过投影后得到的图像进行直接预测,一次获得所有点的热流值,更加高效。
附图说明
图1是为本发明提出的基于投影的高超声速飞行器气动热预测方法流程图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
如图1所示,本实施例提出了一种基于投影的高超声速飞行器气动热预测方法,包括:
步骤1、将三维飞行器在多个不同平面进行投影获得多视图深度投影图像;
步骤2、构建并训练热流图像智能预测模型及最大最小热流预测模型;
步骤3、在不同来流条件下,输入多视图深度投影图像至热流图像智能预测模型及最大最小热流预测模型,分别得到热流图像和对应热流图像中的热流最大最小值;
步骤4、根据热流图像及热流图像中的热流最大最小值得到多视图深度投影图像对应的真实热流图像;
步骤5、将多视图深度投影图像重构为三维点云,通过三维点云与预测的真实热流图像的映射关系得到三维热流点云,对三维热流点云进行插值得到三维飞行器的壁面热流分布。
具体的,步骤1包括以下具体子步骤:
步骤1.1、选定一个投影方向,计算飞行器壁面各个点在投影平面的坐标,得到飞行器外形在投影平面的坐标点集合;而由于投影过程中消除了空间坐标中的一个维度,为了保留这个维度的信息,在本实施例中将投影方向的坐标值作为深度信息保留在平面坐标点中。以投影平面为x-y平面为例,则投影方向为z方向,将飞行器外形的所有坐标点投影到x-y平面,得到一堆投影点,这些投影点实际只保留了三维坐标中的x坐标和y坐标,z坐标的信息没有保留下来,为了保留z坐标信息,将z坐标值作为深度值保留在投影点中。
步骤1.2、由于像素点之间的距离是相等的,但投影得到的点是散乱的,点与点之间距离有大有小,因此需要将散乱投影点转换到等距分布的像素点上,得到投影图像。具体的,
根据坐标点的范围划定图像区域,并将投影点与像素点进行位置转换,得到投影图像,并根据投影点与像素点的位置关系,计算像素点对应的深度值从而得到飞行器在某个对应投影平面的深度投影图像;
进一步的,深度值的具体计算过程为:根据坐标点的范围划定图像区域,并将该区域均匀划分为H*W个各自,H表示行数,W表示列数,将每个格子的顶点称为一个像素点,该像素点的坐标可以直接计算出来。
假设投影的图像区域范围x方向为[0,1],y方向为[0,1],则第(i,j)个像素点的真实坐标为x(i,j)=(i-1)/W,y(i,j)=(j-1)/H。
当三维点投影到二维平面后,得到投影点,但投影点不一定会与像素点恰好重合,可能位于格子中间,但仅用像素点表示投影图像,此时就需要将投影点转换到离其较近的像素点处。建设某个像素点(x,y)附近有3个投影点,其坐标分别为(x1,y1),(x2,y2),(x3,y3),投影点深度分别为d1,d2,d3,定义三个投影点距像素点的距离分别为dis1,dis2,dis3,则,dis2、dis3的计算与其同理,最后即可得到像素点对应的深度值:
即可通过像素点表示处该投影平面的深度投影图像。
步骤1.3、通过切换不同投影方向,重复步骤1.1和步骤1.2,得到飞行器的多视图深度投影图像。
在本实施例中,将步骤2划分为两部分,一是构建训练数据集,二是通过训练数据集训练热流图像智能预测模型和最大最小热流预测模型。
具体的,构建训练数据集的过程为:
针对多种高超声速飞行器外形{S1, S2, …, SN }和不同来流条件{C1, C2, …,CM},采用数值模拟方法获得N*M组结果{Q1, Q2, …, QN*M},每一组结果表示一种外形在一种来流条件下的壁面热流分布情况。
将所有外形采用步骤1提供的方法得到对应的多视图深度投影图像,将其与不同的来流条件C组成,形成输入。之后对数值模拟的到的飞行器壁面热流分布Q进行降维,降维方向与飞行器降维的方向一致,并将热流值编码保存到深度投影图像的各个像素点中,得到降维后的热流图像,之后记录热流图像的最大值与最小值,并将热流图像归一化。
需要注意的是,在本实施例中,将来流条件扩展到图像大小,得到来流图像,将奶牛图像与投影图像进行拼接形成输入。高超声速飞行器飞行过程中主要关注考虑温度、静压、马赫数、攻角、密度等7种来流条件,将每种来流条件扩展成一个与投影图片相同大小的矩阵,得到7张来流图像,图像中每个数字都是相同的。即将来流条件用一个数字表示,将该数字扩展为一个矩阵,例如马赫数用3表示,假设图像大小为4*4,则马赫数矩阵为[3,3,3,3;3,3,3,3;3,3,3,3;3,3,3,3]。
最后,构建以飞行器外形的多视图深度投影图像与来流图像为输入、以归一化后的热流图像及热流最大最小值为输出的数据训练集,共计N*M组训练数据对。
而在构建与训练热流图像智能预测模型和最大最小热流预测模型时,首先,构建卷积神经网络A,该网络的输入为飞行器外形的多视图深度投影图像和来流图像,输出归一化后的多视图热流图像。之后再构建卷积神经网络B,输入飞行器外形的多视图深度投影图像和来流图像,输出两个数值,分别表示卷积神经网络A预测得到的热流图像中的最大热流值和最小热流值。通过构建的训练数据集分别多卷积神经网络A和B进行训练,即可得到热流图像智能预测模型MA和最大最小热流预测模型MB。
在训练好两个模型后,即可将步骤1中得到的多视图深度投影图像结合不同的来流条件输入至模型进行预测,模型MA输出对应的归一化后的热流图像,模型MB输出对应热流图像的热流最大值和最小值。
在步骤4中,根据两个模型的输出,进行反归一化处理,具体的:
将归一化热流图像中各像素点的热流值做反归一化,得到真实热流值Q,重复对所有像素点进行热流值反归一化处理,得到飞行器多视图深度投影图像对应的真实热流图像。
在本实施例中,提供了具体的真实热流值计算方法为:
其中,Qi为真实热流值,Qi′为归一化后的热流值,由归一化热流图像获取,max为热流最大值,min为热流最小值。
最后结合深度投影图像和预测的真实热流图像,即可三维飞行器的壁面热流分布,具体的,
首先,将多视图深度投影图像重构为三维点云:针对某一视图下的深度投影图像,遍历图像中的所有像素点,得到像素点的像素位置和像素点存储的深度信息,根据像素点的像素位置,得到像素点对应的空间坐标中的其中两维,另一维坐标通过深度信息获取,最终得到深度投影图像中所有像素点对应的三维空间坐标;重复遍历所有视图的深度投影图像,得到各个视图深度投影图像的空间点坐标,形成三维点云,该三维点云中仅保存了x、y、z坐标。例如,比如某个像素点坐标(x,y,d)就直接可以转换成空间坐标(x,y,z),其中z=d,d为像素点中存储的深度信息。
之后,由于热流图像中像素点与外形的深度投影图像中的像素点位置是一一对应的,而三维点云中每个点与深度投影图像的像素点也是一一对应的,因此三维点云中每个点与热流图像中的像素点也是一一对应的,通过映射关系,可以得到三维点云中每个点的真实热流值,从而得到三维热流点云。
最后,由于得到的三维点云与真实外形的坐标点会存在一定偏差,这是因为投影过程与重建过程中的误差导致的,为了准确得到壁面热流分布,在本实施例中对三维热流点云进行插值得到三维飞行器的壁面热流分布。具体的插值步骤如下:
步骤5.1、读取三维飞行器原始外形文件中的所有坐标点,计算每个坐标点与三维点云中所有点的距离,并得到三维点云中与该坐标点最近的三个点的位置以及对应热流值;
步骤5.2、计算步骤5.1得到的三个点对应热流值的平均值,将该平均值作为原始坐标点的热流值;
步骤5.3、重复步骤5.1和步骤5.2直到完成飞行器壁面所有坐标点的热流值计算,完成热流修正。
本实施例提出的气动热预测方法通过将飞行器投影到二维平面进行预测,可以一次预测所有坐标点的热流;同时将预测得到的多视角二维热流图像进行精确还原至三维外形壁面,得到了三维外形壁面坐标点对应的热流值,并进行了热流修正,相较于现有的气动热预测方法更加高效与准确。
需要说明的是,在本发明实施例的描述中,除非另有明确的规定和限定,术语“设置”、“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;可以是直接连接,也可以通过中间媒介间接连接。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;实施例中的附图用以对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于投影的高超声速飞行器气动热预测方法,其特征在于,包括:
步骤1、将三维飞行器在多个不同平面进行投影获得多视图深度投影图像;
步骤2、构建并训练热流图像智能预测模型及最大最小热流预测模型;
步骤3、在不同来流条件下,输入多视图深度投影图像至热流图像智能预测模型及最大最小热流预测模型,分别得到热流图像和对应热流图像中的热流最大最小值;
步骤4、根据热流图像及热流图像中的热流最大最小值得到多视图深度投影图像对应的真实热流图像;
步骤5、将多视图深度投影图像重构为三维点云,通过三维点云与预测的真实热流图像的映射关系得到三维热流点云,对三维热流点云进行插值得到三维飞行器的壁面热流分布。
2.根据权利要求1所述的基于投影的高超声速飞行器气动热预测方法,其特征在于,所述步骤1的具体子步骤为:
步骤1.1、选定一个投影方向,计算飞行器壁面各点在投影平面的坐标,并将飞行器在投影方向的坐标值作为深度信息保留在投影点中,形成飞行器在投影平面的坐标点集合;
步骤1.2、根据坐标点的范围划定图像区域,并将投影点与像素点进行位置转换,得到投影图像,并根据投影点与像素点的位置关系,计算像素点对应的深度值从而得到飞行器在对应投影平面的深度投影图像;
步骤1.3、切换不同投影方向,重复步骤1.1和步骤1.2,得到飞行器的多视图深度投影图像。
3.根据权利要求1或2所述的基于投影的高超声速飞行器气动热预测方法,其特征在于,所述步骤2的具体子步骤为:
步骤2.1、构建飞行器热流预测模型训练数据集;
步骤2.2、构建卷积神经网络分别形成热流图像智能预测模型和最大最小热流预测模型,分别用于得到归一化后的多视图热流图像和热流图像的热流最大值最小值;并采用步骤2.1中的训练数据集完成训练。
4.根据权利要求3所述的基于投影的高超声速飞行器气动热预测方法,其特征在于,所述步骤2.1包括:
步骤2.1.1、针对多种高超声速飞行器外形和不同来流条件,采用数值模拟方法得到不同组合下的飞行器壁面热流分布情况;
步骤2.1.2、将所有飞行器外形采用步骤1的方法得到多视图深度投影图像,并与不同来流条件组成模型的输入;将数值计算得到的热流分布进行降维,并将热流值编码保存到图像的各像素点,得到降维后的热流图像,然后记录热流图像的最大值与最小值,并将热流图像归一化;
步骤2.1.3、将来流条件扩展为图像大小,得到来流图像;
步骤2.1.4、构建以飞行器外形的多视图深度投影图像与来流图像为输入、以归一化后的热流图像及热流最大最小值为输出的数据训练集。
5.根据权利要求1所述的基于投影的高超声速飞行器气动热预测方法,其特征在于,所述步骤3中,通过改变来流条件,得到不同来流条件下飞行器的多视图深度投影图像对应的热流图像;热流图像智能预测模型输出归一化的热流图像,最大最小热流预测模型输出对应热流图像中的热流最大最小值。
6.根据权利要求5所述的基于投影的高超声速飞行器气动热预测方法,其特征在于,所述步骤4中,将归一化热流图像中各像素点的热流值做反归一化,得到真实热流值,重复对所有像素点进行热流值反归一化处理,得到飞行器多视图深度投影图像对应的真实热流图像。
8.根据权利要求1所述的基于投影的高超声速飞行器气动热预测方法,其特征在于,所述步骤5中,多视图深度投影图像重构为三维点云的具体方法为:针对某一视图下的深度投影图像,遍历深度投影图像中的所有像素点,得到像素点的像素位置和像素点存储的深度信息,根据像素点的像素位置,得到像素点对应的空间坐标中的其中两维,另一维坐标通过深度信息获取,最终得到深度投影图像中所有像素点对应的三维空间坐标;重复遍历所有视图的深度投影图像,得到各个视图深度投影图像的空间点坐标,形成三维点云。
9.根据权利要求8所述的基于投影的高超声速飞行器气动热预测方法,其特征在于,所述步骤5中插值的具体方法为:
步骤5.1、读取三维飞行器原始外形文件中的所有坐标点,计算每个坐标点与三维点云中所有点的距离,并得到三维点云中与该坐标点最近的三个点的位置以及对应热流值;
步骤5.2、计算步骤5.1得到的三个点对应热流值的平均值,将该平均值作为原始坐标点的热流值;
步骤5.3、重复步骤5.1和步骤5.2直到完成飞行器壁面所有坐标点的热流值计算,完成热流修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210852261.0A CN114996658B (zh) | 2022-07-20 | 2022-07-20 | 一种基于投影的高超声速飞行器气动热预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210852261.0A CN114996658B (zh) | 2022-07-20 | 2022-07-20 | 一种基于投影的高超声速飞行器气动热预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114996658A true CN114996658A (zh) | 2022-09-02 |
CN114996658B CN114996658B (zh) | 2022-11-08 |
Family
ID=83021473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210852261.0A Active CN114996658B (zh) | 2022-07-20 | 2022-07-20 | 一种基于投影的高超声速飞行器气动热预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114996658B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029219A (zh) * | 2023-02-27 | 2023-04-28 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器气动热预测方法、装置、设备及存储介质 |
CN116296239A (zh) * | 2023-05-26 | 2023-06-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于卷积神经网络的风洞试验方法、装置、设备和介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202804A (zh) * | 2016-07-22 | 2016-12-07 | 北京临近空间飞行器系统工程研究所 | 基于数据库的复杂外形飞行器分布式热环境参数预测方法 |
CN110232438A (zh) * | 2019-06-06 | 2019-09-13 | 北京致远慧图科技有限公司 | 一种极坐标系下卷积神经网络的图像处理方法及装置 |
CN110288653A (zh) * | 2019-07-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 一种多角度超声图像融合方法、系统及电子设备 |
CN110705029A (zh) * | 2019-09-05 | 2020-01-17 | 西安交通大学 | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 |
AU2020101874A4 (en) * | 2020-08-18 | 2020-09-24 | Hefei General Machinery Research Institute Co., Ltd. | A method for predicting high-temperature mechanical properties of heat-resistant alloys based on deep learning |
CN112434709A (zh) * | 2020-11-20 | 2021-03-02 | 西安视野慧图智能科技有限公司 | 基于无人机实时稠密三维点云和dsm的航测方法及系统 |
CN112836713A (zh) * | 2021-03-12 | 2021-05-25 | 南京大学 | 基于图像无锚框检测的中尺度对流系统识别与追踪方法 |
US20210232721A1 (en) * | 2017-03-10 | 2021-07-29 | Altair Engineering, Inc. | Systems and Methods for Utilizing a 3D CAD Point-Cloud to Automatically Create a Fluid Model |
CN113689539A (zh) * | 2021-07-06 | 2021-11-23 | 清华大学 | 基于隐式光流场的动态场景实时三维重建方法与装置 |
CN113901594A (zh) * | 2021-12-09 | 2022-01-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器表面的气动热环境智能预测方法 |
CN114442673A (zh) * | 2022-02-18 | 2022-05-06 | 哈尔滨逐宇航天科技有限责任公司 | 一种基于混沌模型与dnn的飞行器智能轨迹规划方法 |
CN114722732A (zh) * | 2022-06-09 | 2022-07-08 | 华中科技大学 | 基于点云网络的高超声速飞行器燃料箱温度场预测方法 |
-
2022
- 2022-07-20 CN CN202210852261.0A patent/CN114996658B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202804A (zh) * | 2016-07-22 | 2016-12-07 | 北京临近空间飞行器系统工程研究所 | 基于数据库的复杂外形飞行器分布式热环境参数预测方法 |
US20210232721A1 (en) * | 2017-03-10 | 2021-07-29 | Altair Engineering, Inc. | Systems and Methods for Utilizing a 3D CAD Point-Cloud to Automatically Create a Fluid Model |
CN110232438A (zh) * | 2019-06-06 | 2019-09-13 | 北京致远慧图科技有限公司 | 一种极坐标系下卷积神经网络的图像处理方法及装置 |
CN110288653A (zh) * | 2019-07-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 一种多角度超声图像融合方法、系统及电子设备 |
CN110705029A (zh) * | 2019-09-05 | 2020-01-17 | 西安交通大学 | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 |
AU2020101874A4 (en) * | 2020-08-18 | 2020-09-24 | Hefei General Machinery Research Institute Co., Ltd. | A method for predicting high-temperature mechanical properties of heat-resistant alloys based on deep learning |
CN112434709A (zh) * | 2020-11-20 | 2021-03-02 | 西安视野慧图智能科技有限公司 | 基于无人机实时稠密三维点云和dsm的航测方法及系统 |
CN112836713A (zh) * | 2021-03-12 | 2021-05-25 | 南京大学 | 基于图像无锚框检测的中尺度对流系统识别与追踪方法 |
CN113689539A (zh) * | 2021-07-06 | 2021-11-23 | 清华大学 | 基于隐式光流场的动态场景实时三维重建方法与装置 |
CN113901594A (zh) * | 2021-12-09 | 2022-01-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器表面的气动热环境智能预测方法 |
CN114442673A (zh) * | 2022-02-18 | 2022-05-06 | 哈尔滨逐宇航天科技有限责任公司 | 一种基于混沌模型与dnn的飞行器智能轨迹规划方法 |
CN114722732A (zh) * | 2022-06-09 | 2022-07-08 | 华中科技大学 | 基于点云网络的高超声速飞行器燃料箱温度场预测方法 |
Non-Patent Citations (4)
Title |
---|
DIMITRIENKO Y. I. 等: "Computational modeling of conjugated aerodynamic and thermomechanical processes in composite structures of high-speed aircraft", 《APPLIED MATHEMATICAL SCIENCES》 * |
JIAO X. 等: "Optimization of Aerodynamic Thermal Calculation for High Speed Aircraft Structure", 《TACTICAL MISSILE TECHNOLOGY》 * |
耑锐 等: "低流量下阵列式微通道对流沸腾特性实验研究", 《低温工程》 * |
蔡志俊: "一种面向高超声速飞行器的多场耦合技术及其实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029219A (zh) * | 2023-02-27 | 2023-04-28 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器气动热预测方法、装置、设备及存储介质 |
CN116029219B (zh) * | 2023-02-27 | 2023-07-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器气动热预测方法、装置、设备及存储介质 |
CN116296239A (zh) * | 2023-05-26 | 2023-06-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于卷积神经网络的风洞试验方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114996658B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200364388A1 (en) | Machine learning three-dimensional fluid flows for interactive aerodynamic design | |
CN114996658B (zh) | 一种基于投影的高超声速飞行器气动热预测方法 | |
CN113096234B (zh) | 利用多张彩色图片生成三维网格模型的方法及装置 | |
Louhichi et al. | CAD/CAE integration: updating the CAD model after a FEM analysis | |
CN112819962B (zh) | 数字图像相关中非均匀网格划分及局部网格疏密方法 | |
CN113901594B (zh) | 一种飞行器表面的气动热环境智能预测方法 | |
US11869147B2 (en) | Neural network for outputting a parameterized 3D model | |
CN109934924B (zh) | 一种高超声速飞行器红外辐射特性快速渲染方法 | |
CN113077553A (zh) | 一种基于表面属性的三维模型分割方法 | |
CN111028335B (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
US20210201571A1 (en) | 3d reconstruction with smooth maps | |
CN115618498B (zh) | 一种飞行器跨流域流场的预测方法、装置、设备及介质 | |
JP2020035434A (ja) | コンピュータ支援設計によって定められた形状における物体間ギャップの検出 | |
WO2020033932A2 (en) | Method for automated 3d print quality assessment and redesign | |
CN111581776A9 (zh) | 一种基于几何重建模型的等几何分析方法 | |
Sieger et al. | Constrained space deformation techniques for design optimization | |
CN113205609A (zh) | 变形基础学习 | |
US10943037B2 (en) | Generating a CAD model from a finite element mesh | |
JP2022184829A (ja) | 3d形状最適化のためのディープパラメータ化 | |
CN108541317B (zh) | 复合设计方向 | |
CN111445385B (zh) | 一种基于rgb色彩模式的三维物体平面化方法 | |
CN115294244B (zh) | 一种基于机器学习的蜂窝结构图案化自适应填充方法 | |
CN116229005B (zh) | 三维巷道模型的测地线确定方法和装置 | |
EP4310779A1 (en) | Segmenting a building scene | |
CN105447904A (zh) | 一种基于Loop细分的三维云纹曲面显示方法及其装置 |
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 |