CN115310208A - 一种用于机翼气动载荷重构的传感器优化布置方法及装置 - Google Patents

一种用于机翼气动载荷重构的传感器优化布置方法及装置 Download PDF

Info

Publication number
CN115310208A
CN115310208A CN202211070254.1A CN202211070254A CN115310208A CN 115310208 A CN115310208 A CN 115310208A CN 202211070254 A CN202211070254 A CN 202211070254A CN 115310208 A CN115310208 A CN 115310208A
Authority
CN
China
Prior art keywords
point distribution
wing
parameters
reconstruction
client
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
Application number
CN202211070254.1A
Other languages
English (en)
Inventor
刘学军
余柏杨
吕宏强
虞建
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Publication of CN115310208A publication Critical patent/CN115310208A/zh
Pending legal-status Critical Current

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
    • G06F30/28—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明实施例公开了一种用于机翼气动载荷重构的传感器优化布置方法及装置，涉及流体力学的流场重构技术领域，能够利用有限传感器达到最高重构精度，最终可以一定程度上节约实验成本。本发明包括：接收客户端发送的模型信息，所述模型信息包括：网格参数和物面几何参数，所述工况信息包括：马赫数、迎角和侧滑角，根据所述模型信息生成机翼的三维网格，根据所述工况信息进行CFD计算，通过高斯过程回归模型建立参数映射关系，所述参数映射关系包括：输入参数与输出参数的映射关系，根据所述客户端设定的传感器数量，在所述机翼的三维网格中进行布点，并评估布点结果，在评估布点结果的过程中包括：通过比较不同布点方式的重构误差，记录重构误差最低的布点方式将布点结果反馈给所述客户端。

Description

一种用于机翼气动载荷重构的传感器优化布置方法及装置
技术领域
本发明涉及流体力学的流场重构技术领域，尤其涉及一种用于机翼气动载荷重构的传感器优化布置方法及装置。
背景技术
机翼表面气动载荷分布是衡量机翼气动性能的一个重要依据，在实际机翼外形设计流程中，一次性获得整个机翼表面的气动载荷能极大缩短设计流程的时间消耗，提高设计效率。风洞实验是获得气动载荷的重要手段，通过放置在机翼表面特定位置的传感器获得相应位置的气动载荷信息。
利用有限传感器测量的空气动力系数重构全息气动载荷时，传感器的分布方式也是一个重要因素。传感器的布置数量能够影响风洞实验的结果，放置数量过少，会导致全息气动载荷的重构精度较低，而放置数量过多又可能引起流场结构发生变化从而导致传感器的测量误差。
因此，如何在利用这些有限的传感器测量空气动力系数，来重构机翼表明全息气动载荷，是一个有待研究的问题。
发明内容
本发明的实施例提供一种用于机翼气动载荷重构的传感器优化布置方法及装置，能够利用有限的传感器测量空气动力系数。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，本发明的实施例提供的方法，包括：
S1、服务器端接收客户端发送的模型信息和工况信息，所述模型信息包括：网格参数和物面几何参数，所述工况信息包括：马赫数、迎角和侧滑角；
S2、所述服务器端根据所述模型信息生成机翼的三维网格，和，通过工况信息进行CFD计算得到机翼全息气动数据；
S3、通过高斯过程回归模型建立参数映射关系，所述参数映射关系包括：输入参数与输出参数的映射关系，所述输入参数包括：坐标参数，所述输出参数包括：压强系数；
S4、根据所述客户端设定的传感器数量，在所述机翼的三维网格中进行布点，并评估布点结果，其中，在评估布点结果的过程中，包括：通过比较不同布点方式的重构误差，记录重构误差最低的布点方式；
S5、将布点结果反馈给所述客户端。
第二方面，本发明的实施例提供的装置，包括：
接收模块，用于接收客户端发送的模型信息，所述模型信息包括：网格参数和物面几何参数，所述工况信息包括：马赫数、迎角和侧滑角；
处理模块，用于根据所述模型信息生成机翼的三维网格；
仿真计算模块，用于根据所述工况信息进行CFD计算得到机翼全息气动数据；
映射建立模块，用于通过高斯过程回归模型建立参数映射关系，所述参数映射关系包括：输入参数与输出参数的映射关系，所述输入参数包括：坐标参数，所述输出参数包括：压强系数；
分析模块，用于根据所述客户端设定的传感器数量，在所述机翼的三维网格中进行布点，并评估布点结果，其中，在评估布点结果的过程中，包括：通过比较不同布点方式的重构误差，记录重构误差最低的布点方式；
反馈模块，用于将布点结果反馈给所述客户端。
本发明实施例提供的用于机翼气动载荷重构的传感器优化布置方法及装置，可以通过CFD计算获得机翼全息气动数据，选取压强系数作为气动性能重构对象，采用高斯过程回归模型获得稀疏样本点的坐标参数到压强系数的映射规律，从而重构全息压强系数。通过机翼表面传感器的布置方式以最大限度提高重构精度，确定在不同的传感器总数下放置传感器的截面数量和每个截面放置传感器数量的最优值，从而利用有限传感器达到最高重构精度，最终可以一定程度上节约实验成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。
图1为本发明实施例提供的硬件环境的示意图；
图2为本发明实施例提供的方法流程图；
图3为本发明实施例提供的M6机翼面网格示意图；
图4为本发明实施例提供的M6机翼表面样本点示意图；
图5为本发明实施例提供的最优传感器布置示意图；
图6为本发明实施例提供的展向截面布置示意图；
图7为本发明实施例提供的前缘加密布点示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式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元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本发明实施例提供一种用于机翼气动载荷重构的传感器优化布置方法，如图2所示，包括：
S1、服务器端接收客户端发送的实物模型信息。
其中，所述模型信息包括：网格参数和物面几何参数，所述工况信息包括：马赫数、迎角和侧滑角。
S2、所述服务器端根据所述模型信息生成机翼的三维网格，和，通过工况信息进行CFD计算得到机翼全息气动数据。
其中，在空气动力实验的过程中，一般分为实物实验和模型实验两大类，客户端提供空气动力实验的模型或实物给服务器，服务器根据实物或模型，在网格设计软件中设置好网格参数和物面几何参数，生成相应的三维网格。本专利以M6机翼为例在给定的工况条件下验证所提出的方法。首先，在网格设计软件中设置好网格参数和物面几何参数，生成M6机翼三维网格，然后根据给定的工况条件进行CFD计算得到M6机翼全息气动数据。
S3、通过高斯过程回归模型建立参数映射关系。
其中，所述参数映射关系包括：输入参数与输出参数的映射关系，所述输入参数包括：坐标参数，所述输出参数包括：压强系数。
S4、根据所述客户端设定的传感器数量，在所述机翼的三维网格中进行布点，并评估布点结果。
其中，在评估布点结果的过程中，包括：通过比较不同布点方式的重构误差，记录重构误差最低的布点方式。
S5、将布点结果反馈给所述客户端。
具体的，在S2中，包括：对M6机翼的几何外形的计算域进行网格划分，根据附面层第一层的高度和流场计算域总长度，生成M6机翼的几何外形的结构化面网格，作为所述三维网格。在优选方案中，附面层第一层的高度为0.02mm。流场计算域总长度等于10倍的弹体长度。例如：生成M6机翼的三维网格。首先对计算域进行网格划分，设置附面层第一层高度为0.02mm，整个流场计算域总长约为10倍的弹体长度。根据M6机翼几何外形，生成结构化面网格如图3所示。
进一步的，还包括：基于所述三维网格进行CFD计算分析并得到CFD数据。其中，所述计算分析的过程包括：：CFD仿真计算。根据给定的工况信息，使用仿真软件设置好流场条件和工况参数等，采用有限体积法进行RANS方程数值求解，其中湍流模型采用SST k-ε湍流模型，计算仿真数据。在所述三维网格中确定样本点。所述三维网格划分出的截面数量为80，每个截面中分布240个样本点，每个样本点对应的属性参数包括：三维坐标参数和压强系数。
本实施例中，包括：CFD计算数据跟据坐标参数组织成序列的形式，并进行归一化处理。其中，根据坐标参数组织成序列的形式的CFD计算数据。在实际应用中，由于CFD计算数据是乱序的，所以需要依赖计算出的每一个样本点的坐标参数，根据坐标参数对样本点的顺序进行排列。本实施例中的CFD计算数据是机翼表面的大量样本点数据，样本点在机翼表面的位置是固定的，每个样本点对应机翼表面一个网格节点，而CFD计算导出的样本点是乱序的，所以需要依靠坐标参数将样本点重新布置整齐，在excel表格中通过坐标参数按照顺序排列。构建高斯过程回归模型。首先需将CFD计算数据跟据坐标参数组织成序列，为避免数据不同数值范围对建模效果的影响，还需将数据归一化，然后采用高斯过程回归模型建立三维坐标参数到压强系数的映射关系。例如：如图1中数据预处理的过程，可以采用归一化处理的方式。首先需将CFD计算数据跟据坐标参数组织成序列，为避免数据不同数值范围对建模效果的影响，还需对数据进行预处理，预处理的过程中具体包括归一化处理，可以采用归一化公式如下：
Figure BDA0003829757080000061
其中，
Figure BDA0003829757080000062
是第i个样本的第j个特征，μj是第j个特征的均值，σj表示第j个特征的标准差，
Figure BDA0003829757080000063
是
Figure BDA0003829757080000064
归一化后的结果。
本实施例中，采用Matern核的高斯过程回归模型，建立三维坐标参数到压强系数的映射关系。其中，映射关系可以理解为x和y的关系，x表示输入，y表示输出的压强系数。
具体的，高斯过程可以看作定义在函数f(x)上的一个分布，其性质由均值函数和协方差函数决定：
m(x)＝E[f(x)]
k(x,x′)＝E[(f(x)-m(x))(f(x′)-m(x′))]
f(x)～GP(m(x),k(x,x′))
其中，x和x′属于d维输入向量，x、
Figure BDA0003829757080000071
具体来说，x和x′表示两个样本的输入向量(例如：这两个样本来自数据集，比如数据集的大小是100，那么就有100个样本，x和x'这两个向量对应的样本是数据集中的两个随机样本)；
Figure BDA0003829757080000072
表示d维向量中的元素为实数数集,d为维输入向量，m(x)为均值函数，E()表示数学期望，k(x,x')为协方差函数，GP()表示高斯过程。
假设训练集为{(xi,yi)|i＝1,...,n}，对于回归问题，模型如下：
yi＝f(xi)+ε
其中，
Figure BDA0003829757080000073
为高斯噪声，xi为第i个输入向量，yi为对应的观测值，
Figure BDA0003829757080000074
表示高斯噪声的方差,。为了计算方便，一般将yi中心化，将均值设置0，这时所有观测值构成的列向量y＝[y1,y2,...,yn]T的先验概率分布为：
Figure BDA0003829757080000075
其中，X是特征矩阵，矩阵中每一行代表一个输入向量。K(X,X)表示n×n阶对称正定协方差矩阵，矩阵元素kij＝k(xi,xj)，In为n阶单位矩阵。
假设协方差函数的超参数集合为
Figure BDA0003829757080000076
m是超参数的数量，通常采用最大似然法确定θ的最优值。观测值y的边缘概率分布为：
Figure BDA0003829757080000077
通过上式可以得到训练集的负对数边际似然函数为：
Figure BDA0003829757080000081
其中，
Figure BDA0003829757080000082
|C|为矩阵C的行列式。所以高斯过程回归模型的优化目标为：θ*＝arg minL(θ)，
对于测试集中的一个样本x*，其对应的预测值与观测值的联合先验分布为：
Figure BDA0003829757080000083
通过上式和一些矩阵运算，可以得到预测值f*的条件概率分布为：
Figure BDA0003829757080000084
其中：
Figure BDA0003829757080000085
cov(f*)＝K(x*，x*)-K(x*，X)×[K(X，X)+In]-1K(X，x*)
其中，
Figure BDA0003829757080000086
表示预测值，式cov(f*)是预测的方差，可以评估预测的不确定度。
本实施例中，对传感器布置优化。具体对CFD计算数据进行离散采样，模拟风洞实验在机翼表面的传感器布置方式。首先给定传感器总数，研究实验截面数量和每个截面传感器数量的最优设置方案；其次，对展向截面的布置和流场关联进行研究；最后，对于流场变化相对剧烈的前缘区域，研究传感器是否需要加密布点，以保证全息气动载荷重构精度。具体来说，在S4中，通过比较不同布点方式的重构误差，将重构误差最低的布点方式作为所述传感器数量下的最优布点方式，包括：
最优传感器布置研究：研究机翼在给定传感器总数的前提下，放置传感器的截面数量和每个截面放置的传感器数量的最优设置方案，如图5所示(即布点方式)。对于一种布点方式，保持截面之间的间距相同，并且保持同一截面中的各个采样点之间间距相同；通过所述高斯过程回归模型重构对应各个布点方式的机翼气动载荷，并比较不同布点方式的重构误差，其中，一个布点方式中的布点截面数和单个截面布点数，与另一个布点方式不完全相同。
展向截面布置研究：对展向截面的布置和流场关联进行研究，比较不同的截面布置方式的重构误差，如图6所示。
前缘加密布点研究：因风洞实验中机翼前缘周围的流场规律较为复杂，前缘区域的气动载荷变化相对剧烈，因此验证前缘是否需要加密布点，比较不同的前缘布置方式和均匀布点的重构误差，如图7所示。
本实施例中，通过CFD计算后得到的是“气动全息数据”至的是CFD计算数据，即机翼表面19200个样本点。其中，截面数量为80，每个截面中分布240个样本点。每个样本点对应的属性参数包括：三维坐标参数和压强系数。其中，采用有限体积法进行RANS方程数值求解，其中湍流模型采用SST k-ε湍流模型。具体选取压强系数Cp作为气动性能重构对象。生成以三维坐标参数作为输入，压强系数作为输出的模拟数据集。数据包括M6机翼表面19200个样本点，如图3所示。整个机翼包括80个截面，每个截面240个样本点，每个样本点的参数包含三维坐标参数和压强系数。实验对机翼表面的样本点进行有规律的采样，采样点作为训练数据，其余样本点作为测试数据验证全息流场的重构精度，采用均方误差(Mean-Square Error,MSE)来评估气动载荷重构的准确性。均方误差(MSE)损失函数定义为：
Figure BDA0003829757080000101
其中，yi表示真实值，
Figure BDA0003829757080000102
为对应的预测值，n为样本数。MSE越小表示预测精度越高。
为了研究M6机翼在给定传感器总数的前提下，放置传感器的截面数量和每个截面放置的传感器数量对机翼重构载荷精度的影响，本专利模拟风洞实验的传感器布置设计，实验采用均匀采样，即截面之间间距相同且同一截面的采样点之间间距相同，将离散的采样点当作风洞实验放置传感器的节点，控制采样点的总数相同，设置不同的布点截面数和单个截面布点数，采用高斯过程回归模型(Matern核)重构机翼气动载荷，比较不同布点方式的重构误差，将不同采样点总数下重构误差最低的布点方式作为最优布点方式。
首先研究机翼在给定传感器总数的前提下，放置传感器的截面数量和每个截面放置的传感器数量的最优设置方案，如图5所示。对于一种布点方式，保持截面之间的间距相同，并且保持同一截面中的各个采样点之间间距相同；通过所述高斯过程回归模型重构对应各个布点方式的机翼气动载荷，并比较不同布点方式的重构误差，其中，一个布点方式中的布点截面数和单个截面布点数，与另一个布点方式不完全相同。
进一步的，本实施例在评估布点结果的过程中，还包括：根据最优传感器布置研究确定的放置传感器的截面数量和每个截面放置的传感器数量，对展向截面的布置进一步研究。
具体的，设置展向截面布置方式的截面间距：以机身到翼尖方向由密变稀为例，首先设置截面编号，1号截面离机身最近，80号截面离翼尖最近，设置1、2两个截面的间距，同时设置间距增加的步长，从1号截面向80号截面方向截面间距按步长依次增加。比较图6中三种不同的截面布置方式的重构误差，选取重构误差最低的截面布置方式。
可选的，在评估布点结果的过程中，还包括：通过，判断前缘部分是否需加密布点，如图7所示。其中，观察图中载荷重构精度的比较结果：观察图中载荷重构精度的比较结果，如果加密布点的重构精度更高，那表示需要加密布点。相反，如果加密布点的重构精度较低，则表示无需加密布点。
本实施例中，以M6机翼为例，通过CFD计算获得M6机翼全息气动数据，选取压强系数作为气动性能重构对象，采用高斯过程回归模型获得稀疏样本点的坐标参数到压强系数的映射规律，从而重构全息压强系数。研究M6机翼表面传感器的布置方式以最大限度提高重构精度，首先给定传感器总数，研究实验截面数量和每个截面传感器数量的最优设置方案；其次，对展向截面的布置和流场关联进行研究；最后，对于流场变化相对剧烈的前缘区域，研究传感器是否需要加密布点，以保证全息气动载荷重构精度。
本实施例中，还提供一种种用于机翼气动载荷重构的传感器优化布置装置，该装置可以运行在服务器端上，该装置包括：
接收模块，用于接收客户端发送的模型信息，所述模型信息包括：网格参数和物面几何参数，所述工况信息包括：马赫数、迎角和侧滑角；
处理模块，用于根据所述模型信息生成机翼的三维网格；
仿真计算模块，用于根据所述工况信息进行CFD计算得到机翼全息气动数据；
映射建立模块，用于通过高斯过程回归模型建立参数映射关系，所述参数映射关系包括：输入参数与输出参数的映射关系，所述输入参数包括：坐标参数，所述输出参数包括：压强系数；
分析模块，用于根据所述客户端设定的传感器数量，在所述机翼的三维网格中进行布点，并评估布点结果，其中，在评估布点结果的过程中，包括：通过比较不同布点方式的重构误差，记录重构误差最低的布点方式；
反馈模块，用于将布点结果反馈给所述客户端。
本实施例中，以M6机翼为例，通过CFD计算获得M6机翼全息气动数据，选取压强系数作为气动性能重构对象，采用高斯过程回归模型获得稀疏样本点的工况参数和坐标参数到压强系数的映射规律，从而重构全息压强系数。研究M6机翼表面传感器的布置方式以最大限度提高重构精度，首先通过给定的传感器总数，研究实验截面数量和每个截面传感器数量的最优设置方案；其次对展向截面的布置和流场关联进行研究，最后对气动载荷变化相对剧烈的前缘区域研究是否需要加密布点，以保证全息气动载荷重构精度。
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，对于设备实施例而言，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。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种用于机翼气动载荷重构的传感器优化布置方法，其特征在于，包括：
S1、服务器端接收客户端发送的模型信息和工况信息，所述模型信息包括：网格参数和物面几何参数，所述工况信息包括：马赫数、迎角和侧滑角；
S2、所述服务器端根据所述模型信息生成机翼的三维网格，和，通过工况信息进行CFD计算得到机翼全息气动数据；
S3、通过高斯过程回归模型建立参数映射关系，所述参数映射关系包括：输入参数与输出参数的映射关系，所述输入参数包括：坐标参数，所述输出参数包括：压强系数；
S4、根据所述客户端设定的传感器数量，在所述机翼的三维网格中进行布点，并评估布点结果，其中，在评估布点结果的过程中，包括：通过比较不同布点方式的重构误差，记录重构误差最低的布点方式；
S5、将布点结果反馈给所述客户端。
2.根据权利要求1所述的方法，其特征在于，在S2中，包括：对M6机翼的几何外形的计算域进行网格划分，根据附面层第一层的高度和流场计算域总长度，生成M6机翼的几何外形的结构化面网格，作为所述三维网格。
3.根据权利要求2所述的方法，其特征在于，附面层第一层的高度为0.02mm；流场计算域总长度等于10倍的弹体长度。
4.根据权利要求1或2所述的方法，其特征在于，还包括：基于所述三维网格进行CFD计算分析并得到CFD数据，所述计算分析的过程包括：
在所述三维网格中确定样本点，其中，所述三维网格划分出的截面数量为80，每个截面中分布240个样本点，每个样本点对应的属性参数包括：三维坐标参数和压强系数。
5.根据权利要求1所述的方法，其特征在于，在S3中，包括：
CFD计算数据跟据坐标参数组织成序列的形式，并进行归一化处理；
采用Matern核的高斯过程回归模型，建立三维坐标参数到压强系数的映射关系。
6.根据权利要求4所述的方法，其特征在于，在S4中，通过比较不同布点方式的重构误差，将重构误差最低的布点方式作为所述传感器数量下的最优布点方式，包括：
通过所述高斯过程回归模型重构对应各个布点方式的机翼气动载荷，并比较不同布点方式的重构误差，其中，一个布点方式中的布点截面数和单个截面布点数，与另一个布点方式不完全相同。
7.根据权利要求4所述的方法，其特征在于，在评估布点结果的过程中，还包括：通过观察图中载荷重构精度的比较结果，判断前缘部分是否需加密布点。
8.一种用于机翼气动载荷重构的传感器优化布置装置，其特征在于，包括：
接收模块，用于接收客户端发送的模型信息，所述模型信息包括：网格参数和物面几何参数，所述工况信息包括：马赫数、迎角和侧滑角；
处理模块，用于根据所述模型信息生成机翼的三维网格；
仿真计算模块，用于根据所述工况信息进行CFD计算得到机翼全息气动数据；
映射建立模块，用于通过高斯过程回归模型建立参数映射关系，所述参数映射关系包括：输入参数与输出参数的映射关系，所述输入参数包括：坐标参数，所述输出参数包括：压强系数；
分析模块，用于根据所述客户端设定的传感器数量，在所述机翼的三维网格中进行布点，并评估布点结果，其中，在评估布点结果的过程中，包括：通过比较不同布点方式的重构误差，记录重构误差最低的布点方式；
反馈模块，用于将布点结果反馈给所述客户端。
CN202211070254.1A 2022-07-26 2022-09-02 一种用于机翼气动载荷重构的传感器优化布置方法及装置 Pending CN115310208A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210882438 2022-07-26
CN2022108824381 2022-07-26

Publications (1)

Publication Number Publication Date
CN115310208A true CN115310208A (zh) 2022-11-08

Family

ID=83866389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211070254.1A Pending CN115310208A (zh) 2022-07-26 2022-09-02 一种用于机翼气动载荷重构的传感器优化布置方法及装置

Country Status (1)

Country Link
CN (1) CN115310208A (zh)

Similar Documents

Publication Publication Date Title
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN108959794B (zh) 一种基于深度学习的结构频响动力学模型修正方法
Chen et al. Towards high-accuracy deep learning inference of compressible flows over aerofoils
CN113568056B (zh) 一种基于卷积神经网络的航空瞬变电磁数据反演方法
Rumpfkeil et al. A dynamic sampling method for kriging and cokriging surrogate models
Kou et al. Aeroacoustic airfoil shape optimization enhanced by autoencoders
CN113486591B (zh) 一种卷积神经网络结果的重力多参量数据密度加权反演方法
Chen et al. Approximate Bayesian assisted inverse method for identification of parameters of variable stiffness composite laminates
CN113486580B (zh) 在役风电机组高精度数值建模方法、服务端及存储介质
Yi et al. Efficient global optimization using a multi-point and multi-objective infill sampling criteria
CN112800599B (zh) 一种阵元失配情况下基于admm的无网格doa估计方法
Yetkin et al. Investigation on the abilities of different artificial intelligence methods to predict the aerodynamic coefficients
CN114417681B (zh) 基于动态决策和神经网络的二维结构变形监测方法及装置
CN115310208A (zh) 一种用于机翼气动载荷重构的传感器优化布置方法及装置
CN116432556A (zh) 一种机翼表面压力重构方法、电子设备及存储介质
Alhazmi et al. Training a neural-network-based surrogate model for aerodynamic optimization using a gaussian process
Wang et al. Information sharing-based multivariate proper orthogonal decomposition
CN109166128B (zh) 一种非等效三维点云分割方法
CN114638048A (zh) 三维喷管流场快速预测与敏感性参数分析方法及装置
Oshima et al. Development of a physics-informed neural network to enhance wind tunnel data for aerospace design
Ghassemi et al. Physics-aware surrogate-based optimization with transfer mapping gaussian processes: For bio-inspired flow tailoring
CN113722951A (zh) 基于神经网络的散射体三维有限元网格优化方法
Li et al. High dimensional expression of combined approximation model
Scillitoe et al. Polynomial ridge flowfield estimation
Liu et al. RSAL-iMFS: A framework of randomized stacking with active learning for incremental multi-fidelity surrogate modeling

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