CN115374712B - 激光内通道热效应影响下光传输仿真参数校准方法与装置 - Google Patents
激光内通道热效应影响下光传输仿真参数校准方法与装置 Download PDFInfo
- Publication number
- CN115374712B CN115374712B CN202211305091.0A CN202211305091A CN115374712B CN 115374712 B CN115374712 B CN 115374712B CN 202211305091 A CN202211305091 A CN 202211305091A CN 115374712 B CN115374712 B CN 115374712B
- Authority
- CN
- China
- Prior art keywords
- simulation
- laser
- neural network
- data
- network 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 165
- 230000003287 optical effect Effects 0.000 title claims abstract description 72
- 230000000694 effects Effects 0.000 title claims abstract description 63
- 230000005540 biological transmission Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003491 array Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 239000012530 fluid Substances 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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]
-
- 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
-
- 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
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明提供了一种激光内通道热效应影响下光传输仿真参数校准方法与装置。该校准方法包括进行激光内通道热效应影响下的光传输仿真,得到预设工况条件下的全光链路各时刻光束波前Zernike系数数组;再构建并训练神经网络模型,将测试得到的仿真数据和待校准的仿真参数分别作为神经网络模型训练数据的输入部分和输出部分,建立仿真数据与仿真参数之间的映射关系,该仿真数据包括预设工况条件下的工况参数以及全光链路各时刻光束波前Zernike系数数组;然后利用校准装置搭建试验光路,采集试验数据并输入训练完成的神经网络模型中,根据其输出结果即可实现激光内通道热效应影响下光传输仿真参数的校准,以提高仿真结果的可靠性。
Description
技术领域
本发明涉及激光热效应仿真计算技术领域,尤其涉及一种激光内通道热效应影响下光传输仿真参数校准方法与装置。
背景技术
激光系统内光路热效应是影响光束质量的重要因素。在内通道光机系统中,气体被激光加热产生热效应、光学元件受光辐照产生热量、形变以及材料折射率变化等都是内光路热效应产生的重要原因。随着光束输出功率不断提升,内光路密闭空间中气体及元件散热有限,导致热量在光传输的方向不断堆积,内通道热效应这一问题已成为制约光学性能提升的瓶颈之一,对激光内通道热效应影响下的光传输仿真也迫在眉睫。
激光内通道热效应影响下的光传输仿真涉及光、机、热、力、流等多物理场间的耦合计算,是一种复杂的物理过程。基于此,在进行激光内通道热效应影响下的光传输仿真时,需要提前设定大量仿真参数,再基于这些仿真参数进行光传输仿真,最终得到的仿真结果与仿真参数的设定值密切相关。而当前仍缺乏针对激光内通道热效应影响下光传输仿真参数校准方法,设定的仿真参数大多存在一定误差,导致最终得到的仿真结果不够准确。
有鉴于此,有必要设计一种激光内通道热效应影响下光传输仿真参数校准方法与装置,以解决上述问题。
发明内容
针对上述现有技术的缺陷,本发明的目的在于提供一种激光内通道热效应影响下光传输仿真参数校准方法与装置。本发明通过构建机器学习方法中的神经网络模型,将试验可直接测得的工况参数及该工况参数对应的工况条件下的全光链路光束波前Zernike系数数组作为神经网络模型训练数据的输入部分,并将仿真过程中需要提前设定的仿真参数作为神经网络模型训练数据的输出部分,建立试验可测的仿真数据与提前设定的仿真参数之间的映射关系;并结合相应装置进行真实激光内通道光传输试验,采集试验数据并导入已训练完成的深层神经网络模型中作为输入,利用该模型计算输出各工况条件下准确的仿真参数,以提高仿真结果的可靠性。
为实现上述目的,本发明提供了一种激光内通道热效应影响下光传输仿真参数校准方法,包括如下步骤:
S1、进行激光内通道热效应影响下的光传输仿真,得到预设工况条件下的全光链路各时刻光束波前Zernike系数数组;
S2、构建并训练神经网络模型,将测试得到的仿真数据和待校准的仿真参数分别作为神经网络模型训练数据的输入部分和输出部分,建立所述仿真数据与所述仿真参数之间的映射关系;所述仿真数据包括所述预设工况条件下的工况参数以及所述全光链路各时刻光束波前Zernike系数数组;
S3、搭建试验光路,采集试验数据并输入已训练完成的神经网络模型中,根据所述神经网络模型的输出结果校准仿真参数。
作为本发明的进一步改进,在步骤S1中,所述激光内通道热效应影响下的光传输仿真包括如下步骤:
S11、建立瞬态有限元仿真模型,以所述仿真参数作为可变参数,在所述工况参数对应的工况条件下对光机内通道模型进行数值仿真;
S12、根据步骤S11中所述数值仿真得到的仿真结果,计算得到代表镜面各时刻热变形的Zernike系数数组、代表透镜各时刻热光效应的Zernike系数数组以及代表穿过流场光束的各时刻波前Zernike系数数组;
S13、将步骤S12得到的各Zernike系数数组代入光学仿真软件,计算得到所述全光链路各时刻光束波前Zernike系数数组。
作为本发明的进一步改进,在步骤S12中,所述仿真结果包括固体镜面时域变形数据、透镜元件时域温度场分布结果和内通道流场时域密度分布结果;根据所述固体镜面时域变形数据,对变形后的固体镜面进行Zernike分解,得到所述代表镜面各时刻热变形的Zernike系数数组;根据所述透镜元件时域温度场分布结果进行热光效应仿真计算,得到所述代表透镜各时刻热光效应的Zernike系数数组;根据所述内通道流场时域密度分布结果,进行变密度流场的光传输仿真,得到所述代表穿过流场光束的各时刻波前Zernike系数数组。
作为本发明的进一步改进,在步骤S2中,所述构建并训练神经网络模型包括如下步骤:
S21、使用仿真阶段数据生成神经网络样本;
S22、构建神经网络模型;
S23、导入数据训练所述神经网络模型。
作为本发明的进一步改进,在步骤S21中,生成所述神经网络样本时,定义相同工况条件下的一个时刻的数组为一个样本,提取所述仿真数据并将其构建为三维数组,作为样本输入数据,提取所述仿真参数并将其构建为一维数组,作为样本输出数据。
作为本发明的进一步改进,在步骤S22中,所述神经网络模型为卷积神经网络模型;所述卷积神经网络模型包括七层网络:第一层为二维卷积层,第二层为池化层,第三层为二维卷积层,第四层为池化层,第五层为二维卷积层,第六层为扁平层,第七层为密集层。
作为本发明的进一步改进,在步骤S23中,将数据导入所述神经网络模型时,需要使用样本生成训练数据集与验证数据集;所述训练数据集用于训练并持续修正所述神经网络模型中的权重参数,所述验证数据集用于评估神经网络模型的收敛程度。
作为本发明的进一步改进,所述工况参数包括光束功率、束腰半径、通光口径、出光时间、流场相对湿度、内通道气压中的一种或多种。
作为本发明的进一步改进,所述仿真参数包括镜片光热转换率、流体光热转换率、镜面与流体间的热阻系数、流体粘滞系数、流体导热率中的一种或多种。
为实现上述目的,本发明还提供了一种激光内通道热效应影响下光传输仿真参数校准装置,用于搭建步骤S3中的所述试验光路,包括主激光器、与所述主激光器具有相同通光口径的信标弱激光器、用于对所述主激光器和所述信标弱激光器输出的光束进行合束的合束镜以及位于所述合束镜的光输出链路上的测试光路、第一分光镜、功率计、第二分光镜、缩束系统和哈特曼传感器;
所述测试光路内设置有气压计和湿度计,分别用于采集内通道气压和流场相对湿度;通过所述测试光路输出的主激光和信标弱激光经所述第一分光镜分开,形成主激光光束和由所述主激光的剩余能量和所述信标弱激光组成的复合光束,所述主激光光束进入所述功率计中,用于采集光束功率;所述复合光束经所述第二分光镜分为信标弱激光光束和主激光的剩余能量,所述信标弱激光光束通过所述缩束系统进入所述哈特曼传感器,用于采集光束波前矩阵,并导出光束波前Zernike系数数组。
本发明的有益效果是:
1、本发明提供的激光内通道热效应影响下光传输仿真参数校准方法,通过将激光内通道热效应影响下的光传输仿真过程中的重要影响参数划分为可以根据试验测试直接获得的仿真数据和不能直接测试得到的需要进行校准的仿真参数两类,再基于机器学习方法构建适用于多批次高维度数据集的感知学习的多层神经网络模型,将试验可测的仿真数据和待校准的仿真参数分别作为神经网络模型训练数据的输入部分和输出部分,用于建立激光内通道热效应影响下光传输分析过程中试验可测的仿真数据与待校准的仿真参数之间的映射关系。在此基础上,通过试验测试相应的仿真数据并输入神经网络模型,即可输出相应工况条件下准确的仿真参数,实现对仿真参数的校准,有效提高了仿真结果的可靠性,为激光内通道系统的设计与测试迭代工作节省了时间与经济成本。
2、本发明提供的激光内通道热效应影响下光传输仿真参数校准装置,能够对参数校准过程中所需的试验数据进行实时采集,并将试验采集到的数据单向传入神经网络模型中,进而利用多层神经网络的超灵敏度感知特性,推理获得各工况条件下准确的仿真参数,实现对仿真参数的校准,以便精准分析激光内通道热效应影响下的光束传播问题。
附图说明
图1为本发明提供的激光内通道热效应影响下光传输仿真参数校准方法的流程示意图。
图2为本发明提供的激光内通道热效应影响下光传输仿真参数校准装置的结构示意图。
图3为本发明的一个实施例中采用的测试光路的结构示意图。
附图标记
1、主激光器;2、信标弱激光器;3、合束镜;4、测试光路;401、第一反射镜;402、第二反射镜;5、气压计;6、湿度计;7、第一分光镜;8、第二分光镜;9、功率计;10、缩束系统;11、哈特曼传感器;12、第一截止器;13、第二截止器。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
另外,还需要说明的是,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。
本发明提供了一种激光内通道热效应影响下光传输仿真参数校准方法,其流程示意图如图1所示,具体包括如下步骤:
S1、进行激光内通道热效应影响下的光传输仿真,得到预设工况条件下的全光链路各时刻光束波前Zernike系数数组;
S2、构建并训练神经网络模型,将测试得到的仿真数据和待校准的仿真参数分别作为神经网络模型训练数据的输入部分和输出部分,建立所述仿真数据与所述仿真参数之间的映射关系;所述仿真数据包括所述预设工况条件下的工况参数以及所述全光链路各时刻光束波前Zernike系数数组;
S3、搭建试验光路,采集试验数据并输入已训练完成的神经网络模型中,根据所述神经网络模型的输出结果校准仿真参数。
通过上述方式,本发明能够利用构建的神经网络模型建立激光内通道热效应影响下光传输分析过程中试验可测的仿真数据与待校准的仿真参数之间的映射关系,从而将试验测试得到的仿真数据输入神经网络模型,并输出相应工况条件下准确的仿真参数,实现对仿真参数的校准。
具体地,在步骤S1中,所述激光内通道热效应影响下的光传输仿真包括如下步骤:
S11、建立瞬态有限元仿真模型,以所述仿真参数作为可变参数,在所述工况参数对应的工况条件下对光机内通道模型进行数值仿真。
其中,仿真模型包括光机内流场、光学元件镜片及夹持机构的几何模型;所述几何模型建立后,在光学镜面膜层、镜片基底中通光体以及光机内流场通光体施加热载荷,以进行激光内通道热效应影响下的光传输仿真。
在进行光传输仿真时,需要预先设定部分仿真参数,所述仿真参数包括镜片光热转换率、流体光热转换率、镜面与流体间的热阻系数、流体粘滞系数、流体导热率,这些仿真参数在校准前将作为取值在一定范围内变化的可变参数进行仿真;同时,根据所需的工况条件设定工况参数,对光机内通道模型进行数值仿真,获得固体镜面时域变形数据、透镜元件时域温度场分布结果和内通道流场时域密度分布结果。其中,所述工况参数能够在试验过程直接测得,包括光束功率、束腰半径、通光口径、出光时间、流场相对湿度、内通道气压。
S12、根据固体镜面时域变形数据,对变形后的固体镜面进行Zernike分解,得到代表镜面各时刻热变形的Zernike系数数组;根据透镜元件时域温度场分布结果进行热光效应仿真计算,得到代表透镜各时刻热光效应的Zernike系数数组;根据内通道流场时域密度分布结果,进行变密度流场的光传输仿真,得到代表穿过流场光束的各时刻波前Zernike系数数组。
S13、将步骤S12得到的各Zernike系数数组代入光学仿真软件,计算得到所述全光链路各时刻光束波前Zernike系数数组。
其中,所述光线仿真软件可以根据需要在现有的仿真软件中进行选择,能够计算全光链路各时刻光束波前Zernike系数数组即可,本发明并不以此为限。
通过上述方式,不需要针对不同的工况条件分别进行试验,即可仿真得到不同工况条件下对应的全光链路各时刻光束波前Zernike系数数组,并获得不同工况条件下的大量数据样本,以便对神经网络模型进行训练。同时,在光束波前Zernike系数数组的计算过程中,本发明通过同时考虑热致镜面变形、透镜热光效应和流场密度分布三个因素,得到代表镜面各时刻热变形的Zernike系数数组、代表透镜各时刻热光效应的Zernike系数数组以及代表穿过流场光束的各时刻波前Zernike系数数组,基于这三组Zernike系数数组计算得到的光束波前Zernike系数数组更符合激光内通道热效应影响下的实际情况,数据准确性更高,基于该数据进行的模型训练有助于得到更加准确有效的神经网络模型。
具体地,神经网络模型的构建与训练包括如下步骤:
S21、使用仿真阶段数据生成神经网络样本。
定义光学系统中相同工况条件下的一个时刻的数组为一个样本。提取光束功率、束腰半径、通光口径、出光时间、流场相对湿度、内通道气压以及全光链路光束波前Zernike系数数组作为仿真数据,并将其构建为三维数组,作为样本输入数据;同时提取镜片光热转换率、流体光热转换率、镜面与流体间的热阻系数、流体粘滞系数、流体导热率作为仿真参数,并将其构建为一维数组,作为样本输出数据。随后,对各时刻的样本数据进行标准化,该标准化的方法为:将样本中各物理量与所有原始样本中对应的物理量的算术平均值作差后,再除以各原始样本中该物理量的标准差,即得到标准化的样本输入数据和样本输出数据。
其中,单个样本输入数据的维度形状为N行×6列×1层,第一行由光束功率、束腰半径、通光口径、出光时间、流场相对湿度、内通道气压的数据组成,从第二行至第N行的数据为按照6列折叠后的Zernike系数数组;单个样本输入数据的维度形状则为N行。
上述行数N=1+n/6,n为Zernike系数的元素个数,即行数N由Zernike系数的元素个数决定。
S22、构建神经网络模型。
在本发明的一个具体实施例中,构建的神经网络模型为卷积神经网络模型,该卷积神经网络模型包括七层网络:
第一层为二维卷积层,卷积核尺寸设为2,并对卷积核正则化,过滤器数量设为16,使用sigmoid函数作为非线性激活函数;
第二层为池化层,池化窗口尺寸设为2,滑动步长设为1;
第三层为二维卷积层,卷积核尺寸设为2,过滤器数量设为32,使用sigmoid函数作为非线性激活函数;
第四层为池化层,池化窗口尺寸设为2,滑动步长设为1,;
第五层为二维卷积层,卷积核尺寸设为2,过滤器数量设为32,使用sigmoid函数作为非线性激活函数;
第六层为扁平层,将输入此层的数据转换为一维数组输出;
第七层为密集层,输出尺寸设为6,使用sigmoid函数作为非线性激活函数。
并且,在上述神经网络模型的编译过程中,采用ADAM优化器,使用均方误差作为损失函数。
S23、导入数据训练所述神经网络模型。
将数据导入所述神经网络模型时,需要使用样本生成训练数据集与验证数据集;所述训练数据集用于训练并持续修正所述神经网络模型中的权重参数,所述验证数据集用于评估神经网络模型的收敛程度;所述训练数据集合所述验证数据集的结构相同,但两者各自独立且不交叉使用。
创建所述训练数据集或所述验证数据集的方法为:从众多样本中随机提取M个样本,采用生成器函数将M个样本组合成维度形状为M×N×6×1的单批次数据对象。将这些单批次数据对象导入并用于训练或评估神经网络,溶蚀生成器函数持续创建批次数据对象,以供神经网络进行连续轮次训练、评估使用,直至神经网络训练收敛或达到训练所设置的轮次上限。
通过上述方式,本发明将激光内通道热效应影响下的光传输仿真过程中的重要影响参数划分为可以根据试验测试直接获得的仿真数据和不能直接测试得到的需要进行校准的仿真参数两类,再基于机器学习方法构建适用于多批次高维度数据集的感知学习的多层神经网络模型,将试验可测的仿真数据和待校准的仿真参数分别作为神经网络模型训练数据的输入部分和输出部分,从而建立激光内通道热效应影响下光传输分析过程中试验可测的仿真数据与待校准的仿真参数之间的映射关系。在此基础上,通过试验测试相应的仿真数据并输入神经网络模型,即可输出相应工况条件下准确的仿真参数,实现对仿真参数的校准,有效提高了仿真结果的可靠性,为激光内通道系统的设计与测试迭代工作节省了时间与经济成本。
本发明还提供了一种激光内通道热效应影响下光传输仿真参数校准装置,用于搭建步骤S3中的所述试验光路,其结构示意图如图2所示。
由图2可以看出,该校准装置包括主激光器1、与所述主激光器1具有相同通光口径的信标弱激光器2、用于对所述主激光器1和所述信标弱激光器2输出的光束进行合束的合束镜3以及位于所述合束镜3的光输出链路上的测试光路4、第一分光镜7、功率计9、第二分光镜8、缩束系统10和哈特曼传感器11。
同时,所述测试光路4内设置有气压计5和湿度计6,分别用于采集内通道气压和流场相对湿度;通过所述测试光路4输出的主激光和信标弱激光经所述第一分光镜7分开,形成主激光光束和由所述主激光的剩余能量和所述信标弱激光组成的复合光束,所述主激光光束进入所述功率计9中,用于采集光束功率;所述复合光束经所述第二分光镜8分为信标弱激光光束和主激光的剩余能量,所述信标弱激光光束通过所述缩束系统10进入所述哈特曼传感器11,用于采集光束波前矩阵,并导出光束波前Zernike系数数组。至于束腰半径和通光口径可以通过查询所选择的主激光器1的性能参数确定,出光时间可以通过计时器测试得到。
此外,在合束镜3的一侧设置有第一截止器12,用于对经过合束镜3合束后残余的主激光能量进行吸收;同时,在第二分光镜8的一侧设置有第二截止器13,用于对经过第二分光器8分出的主激光的剩余能量进行吸收。
通过上述方式,该仿真参数校准装置能够对参数校准过程中所需的试验数据进行实时采集,以便将试验采集到的数据单向传入神经网络模型中,进而利用多层神经网络的超灵敏度感知特性,推理获得各工况条件下准确的仿真参数,实现对仿真参数的校准,从而精准分析激光内通道热效应影响下的光束传播问题。
下面结合一个具体的实施例进行说明:
实施例1
本实施例提供了一种激光内通道热效应影响下光传输仿真参数校准装置,该装置的结构与图2所述的结构一致,且该装置中测试光路4的结构示意图如图3所示。由图3可以看出,该实施例采用的测试光路4为两镜光路,包括沿光路传输方向依次设置的第一反射镜401和第二反射镜402。
本实施例中,使用的主激光器1发出的激光波长为940nm,信标弱激光器发出的激光波长为532nm,采用的哈特曼传感器为可见光哈特曼传感器,其他参数如表1所示:
表1 实施例1中各类型参数对应的数值或取值范围
在表1中,镜面膜层单位面积光热转换率、镜片基底单位体积光热转换率、光机内流场通光体沿光轴方向单位长度光热转换率、镜面与流体间热阻系数、流体粘滞系数和流体导热率均为待校准的仿真参数。通过将确定的光束功率、束腰半径、通光口径、出光时间、流场相对温度、内通道气压以及光束波前Zernike系数数组导入已训练完成的神经网络模型中作为输入,即可输出相应仿真参数的准确值。本实施例中仿真参数的校准结果如表2所示。
表2 实施例1得到的仿真参数校准结果
综上所述,本发明提供了一种激光内通道热效应影响下光传输仿真参数校准方法与装置。该校准方法通过先进行激光内通道热效应影响下的光传输仿真,得到预设工况条件下的全光链路各时刻光束波前Zernike系数数组;再构建并训练神经网络模型,将测试得到的仿真数据和待校准的仿真参数分别作为神经网络模型训练数据的输入部分和输出部分,建立仿真数据与仿真参数之间的映射关系,该仿真数据包括预设工况条件下的工况参数以及全光链路各时刻光束波前Zernike系数数组;然后利用校准装置搭建试验光路,采集试验数据并输入训练完成的神经网络模型中,利用神经网络模型输出各工况条件下准确的仿真数据,从而实现对仿真参数的校准,有效提高了仿真结果的可靠性,为激光内通道系统的设计与测试迭代工作节省了时间与经济成本。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种激光内通道热效应影响下光传输仿真参数校准方法,其特征在于,包括如下步骤:
S1、进行激光内通道热效应影响下的光传输仿真,得到预设工况条件下的全光链路各时刻光束波前Zernike系数数组;
S2、构建并训练神经网络模型,将测试得到的仿真数据和待校准的仿真参数分别作为神经网络模型训练数据的输入部分和输出部分,建立所述仿真数据与所述仿真参数之间的映射关系;所述仿真数据包括所述预设工况条件下的工况参数以及所述全光链路各时刻光束波前Zernike系数数组;
S3、用激光内通道热效应影响下光传输仿真参数校准装置搭建试验光路,采集试验数据并输入已训练完成的神经网络模型中,根据所述神经网络模型的输出结果校准仿真参数;
所述激光内通道热效应影响下光传输仿真参数校准装置包括主激光器、与所述主激光器具有相同通光口径的信标弱激光器、用于对所述主激光器和所述信标弱激光器输出的光束进行合束的合束镜以及位于所述合束镜的光输出链路上的测试光路、第一分光镜、功率计、第二分光镜、缩束系统和哈特曼传感器;
所述测试光路内设置有气压计和湿度计,分别用于采集内通道气压和流场相对湿度;通过所述测试光路输出的主激光和信标弱激光经所述第一分光镜分开,形成主激光光束和由所述主激光的剩余能量和所述信标弱激光组成的复合光束,所述主激光光束进入所述功率计中,用于采集光束功率;所述复合光束经所述第二分光镜分为信标弱激光光束和主激光的剩余能量,所述信标弱激光光束通过所述缩束系统进入所述哈特曼传感器,用于采集光束波前矩阵,并导出光束波前Zernike系数数组。
2.根据权利要求1所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S1中,所述激光内通道热效应影响下的光传输仿真包括如下步骤:
S11、建立瞬态有限元仿真模型,以所述仿真参数作为可变参数,在所述工况参数对应的工况条件下对光机内通道模型进行数值仿真;
S12、根据步骤S11中所述数值仿真得到的仿真结果,计算得到代表镜面各时刻热变形的Zernike系数数组、代表透镜各时刻热光效应的Zernike系数数组以及代表穿过流场光束的各时刻波前Zernike系数数组;
S13、将步骤S12得到的各Zernike系数数组代入光学仿真软件,计算得到所述全光链路各时刻光束波前Zernike系数数组。
3.根据权利要求2所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S12中,所述仿真结果包括固体镜面时域变形数据、透镜元件时域温度场分布结果和内通道流场时域密度分布结果;根据所述固体镜面时域变形数据,对变形后的固体镜面进行Zernike分解,得到所述代表镜面各时刻热变形的Zernike系数数组;根据所述透镜元件时域温度场分布结果进行热光效应仿真计算,得到所述代表透镜各时刻热光效应的Zernike系数数组;根据所述内通道流场时域密度分布结果,进行变密度流场的光传输仿真,得到所述代表穿过流场光束的各时刻波前Zernike系数数组。
4.根据权利要求1所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S2中,所述构建并训练神经网络模型包括如下步骤:
S21、使用仿真阶段数据生成神经网络样本;
S22、构建神经网络模型;
S23、导入数据训练所述神经网络模型。
5.根据权利要求4所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S21中,生成所述神经网络样本时,定义相同工况条件下的一个时刻的数组为一个样本,提取所述仿真数据并将其构建为三维数组,作为样本输入数据,提取所述仿真参数并将其构建为一维数组,作为样本输出数据。
6.根据权利要求4所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S22中,所述神经网络模型为卷积神经网络模型;所述卷积神经网络模型包括七层网络:第一层为二维卷积层,第二层为池化层,第三层为二维卷积层,第四层为池化层,第五层为二维卷积层,第六层为扁平层,第七层为密集层。
7.根据权利要求4所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:在步骤S23中,将数据导入所述神经网络模型时,需要使用样本生成训练数据集与验证数据集;所述训练数据集用于训练并持续修正所述神经网络模型中的权重参数,所述验证数据集用于评估神经网络模型的收敛程度。
8.根据权利要求1所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:所述工况参数包括光束功率、束腰半径、通光口径、出光时间、流场相对湿度、内通道气压中的一种或多种。
9.根据权利要求1所述的激光内通道热效应影响下光传输仿真参数校准方法,其特征在于:所述仿真参数包括镜片光热转换率、流体光热转换率、镜面与流体间的热阻系数、流体粘滞系数、流体导热率中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211305091.0A CN115374712B (zh) | 2022-10-24 | 2022-10-24 | 激光内通道热效应影响下光传输仿真参数校准方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211305091.0A CN115374712B (zh) | 2022-10-24 | 2022-10-24 | 激光内通道热效应影响下光传输仿真参数校准方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115374712A CN115374712A (zh) | 2022-11-22 |
CN115374712B true CN115374712B (zh) | 2023-01-24 |
Family
ID=84073799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211305091.0A Active CN115374712B (zh) | 2022-10-24 | 2022-10-24 | 激光内通道热效应影响下光传输仿真参数校准方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374712B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116305765B (zh) * | 2022-12-29 | 2024-06-14 | 中国航天三江集团有限公司 | 高能激光辐照树脂基纤维增强复合材料的仿真方法及系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382665A (zh) * | 2008-10-24 | 2009-03-11 | 中国科学院上海光学精密机械研究所 | 相干光束同轴合成的方法 |
CN110349095B (zh) * | 2019-06-14 | 2021-08-27 | 浙江大学 | 基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法 |
CN110309910B (zh) * | 2019-07-03 | 2021-08-20 | 清华大学 | 基于机器学习的最优化自适应显微成像方法及装置 |
CN110443882B (zh) * | 2019-07-05 | 2021-06-11 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
CN111046609A (zh) * | 2019-12-24 | 2020-04-21 | 上海智殷自动化科技有限公司 | 一种基于bp神经网络焊接工艺参数优化方法 |
US20230169627A1 (en) * | 2020-04-10 | 2023-06-01 | University Of Tsukuba | Measurement signal processing device, measurement signal processing method, and program |
JP2022163925A (ja) * | 2021-04-15 | 2022-10-27 | 浜松ホトニクス株式会社 | 光補正係数予測方法、光補正係数予測装置、機械学習方法、機械学習の前処理方法、及び学習済みの学習モデル |
CN113779873A (zh) * | 2021-08-27 | 2021-12-10 | 华中科技大学 | 一种tdecq测量模型的构建方法及应用 |
CN114004342B (zh) * | 2021-11-29 | 2023-05-30 | 中国科学院光电技术研究所 | 一种基于lstm网络的激光通信系统畸变波前预测方法 |
CN114353596B (zh) * | 2021-12-31 | 2023-01-06 | 华中科技大学 | 一种反无人机多光谱探测跟踪装备 |
CN114417742B (zh) * | 2022-04-01 | 2022-06-10 | 中国工程物理研究院流体物理研究所 | 一种激光大气闪烁指数预测方法及系统 |
CN115078305A (zh) * | 2022-06-01 | 2022-09-20 | 西北工业大学 | 一种基于图神经网络的Zernike系数波前预测算法 |
CN115047619B (zh) * | 2022-07-05 | 2023-08-01 | 南京大学 | 一种相位型空间光调制器的快速原位校准方法及系统 |
-
2022
- 2022-10-24 CN CN202211305091.0A patent/CN115374712B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115374712A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115374712B (zh) | 激光内通道热效应影响下光传输仿真参数校准方法与装置 | |
CN102539377B (zh) | 基于中红外吸收光谱的多组分混合气体定性定量分析方法 | |
Njomo et al. | Sensitivity analysis of thermal performances of flat plate solar air heaters | |
CN102062677B (zh) | 折射率分布测量方法和折射率分布测量装置 | |
CN104280455B (zh) | 一种用于裂纹方向识别的超声散射系数优化计算方法 | |
US11768180B1 (en) | Method for ultrasonic guided wave quantitative imaging in form of variable array | |
CN111579097B (zh) | 基于神经网络的高精度光学散射补偿方法 | |
CN104597078A (zh) | 基于小平面热源的各向异性材料热导率测量方法 | |
Holden | Measurements in regions of shock wave/turbulent boundary layer interaction from Mach 4 to 7 at flight duplicated velocities to evaluate and improve the models of turbulence in CFD codes | |
CN109813758A (zh) | 基于红外检测图像信号的层间脱粘缺陷复杂边界轮廓定量重构方法 | |
Kumar et al. | Parametric studies of a simple direct expansion solar assisted heat pump using ANN and GA | |
Si et al. | Hierarchical temperature imaging using pseudoinversed convolutional neural network aided TDLAS tomography | |
CN106802233A (zh) | 一种微透镜阵列测试装置及方法 | |
CN111929549A (zh) | 基于局部放电光学信号的gil局部放电源定位方法和系统 | |
CN112113513B (zh) | 基于全频段光学加工面形误差系统链路像质仿真分析方法 | |
Si et al. | A spatially progressive neural network for locally/globally prioritized TDLAS tomography | |
JP4340625B2 (ja) | 光学検査方法および装置 | |
Shethia et al. | Development and software-in-the-loop validation of an artificial neural network-based engine simulator | |
CN102749307A (zh) | 半透明固体材料光学常数的测量方法 | |
CN106546628A (zh) | 一种基于温度场层析成像的无损检测方法 | |
CN114254533B (zh) | 考核疲劳振动对产品组部件固定角度影响和预测的方法 | |
CN109211806A (zh) | 一种用于激光吸收光谱层析成像的谱线选取方法 | |
Białecki et al. | Explicit calculation of smoothed sensitivity coefficients for linear problems | |
CN104535465A (zh) | 基于神经网络的pm2.5浓度检测方法及装置 | |
Penenko | Discrete-analytic schemes for solving an inverse coefficient heat conduction problem in a layered medium with gradient methods |
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 |