CN116296239A - 基于卷积神经网络的风洞试验方法、装置、设备和介质 - Google Patents
基于卷积神经网络的风洞试验方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116296239A CN116296239A CN202310601831.3A CN202310601831A CN116296239A CN 116296239 A CN116296239 A CN 116296239A CN 202310601831 A CN202310601831 A CN 202310601831A CN 116296239 A CN116296239 A CN 116296239A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- heat flow
- wind tunnel
- flow data
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 97
- 238000010998 test method Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 81
- 230000004044 response Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 43
- 238000013461 design Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- 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
- G01M9/02—Wind tunnels
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Fluid Mechanics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了基于卷积神经网络的风洞试验方法、装置、设备以及介质,涉及飞行器风洞试验领域,其中方法包括:对攻角和侧滑角进行采样得到不同的样本点;对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流数据;根据所述热流数据,利用卷积神经网络对所述热流数据进行训练,得到卷积神经网络模型;获取待预测攻角和待预测侧滑角的范围数值,利用所述卷积神经网络模型进行预测,得到与所述范围数值对应的气动响应面;本发明通过利用卷积神经网络进行风洞现代试验设计的方式,替代现有技术中的线性机理模型,充分挖掘飞行器在不同工况条件下与气动响应间的非线性关系,有效提高响应面的预测精度。
Description
技术领域
本发明涉及飞行器风洞试验领域,特别涉及一种基于卷积神经网络的风洞试验方法、装置、设备以及介质。
背景技术
目前,传统试验设计(One Factor at A Time,OFAT)方法是风洞试验设计采取的主要方法,但该方法作为一种基于大量试验数据的方法,忽略了试验中各变量间的交互作用、试验结果表示不直观以及需要采集的数据点较多而导致的试验成本高效率低等缺陷。
近年来,现代试验设计方法(MDOE)在大型设备、工况复杂、耗能高等试验的优化设计中取得了良好的社会经济效益,MDOE利用优化理论、统计方法以及数论科学安排生产和科研试验,通过设计方案、试验安排、数学建模、方差分析和优化方案等步骤,通过少量的试验即可得到较优的试验结果、建立精度较高的模型。
其中,气动响应模型的建立是现代实验设计的重要环节,常用的模型构架包括多项式模型、径向基函数、混沌多项式模型等,其核心思想是运用某一个完备的函数空间,通过确定合适的线性组合系数,使模型更准确地拟合现有数据,这类运用机理建模方法构建的模型,往往能对其组合项进行物理含义解释,但对气动响应中的非线性特征拟合能力较差,影响响应面的预测精度。
发明内容
本发明的目的是提供一种基于卷积神经网络的风洞试验方法、装置、设备以及介质,本发明通过利用卷积神经网络进行风洞现代试验设计的方式,替代现有技术中的线性机理模型,充分挖掘飞行器在不同工况条件下与气动响应间的非线性关系,有效提高响应面的预测精度。
依据本发明的一个方面,本发明提供了一种基于卷积神经网络的风洞试验方法,包括:
对攻角和侧滑角进行采样得到不同的样本点;
对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流数据;
根据所述热流数据,利用卷积神经网络对所述热流数据进行训练,得到卷积神经网络模型;
获取待预测攻角和待预测侧滑角的范围数值,利用所述卷积神经网络模型进行预测,得到与所述范围数值对应的气动响应面。
可选地,所述根据所述热流数据,利用卷积神经网络对所述热流数据进行训练,得到卷积神经网络模型,包括:
利用所述卷积神经网络对各个所述样本点的所述热流数据进行训练,并计算得到与所述热流数据对应的损失数值;
确定所述损失数值是否为预设目标损失数值;
若为所述预设目标损失数值,则停止训练所述热流数据,得到所述卷积神经网络模型。
可选地,所述对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流数据,包括:
对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流结果;
根据所述热流结果,对所述热流结果进行数据转换得到所述热流数据。
可选地,所述对攻角和侧滑角进行采样得到不同的样本点,包括:
利用拉丁超立方采样方法对所述攻角和所述侧滑角进行采样,得到不同的所述样本点。
可选地,所述根据所述热流结果,对所述热流结果进行数据转换得到所述热流数据,包括:
将所述热流结果转化成矩阵形式得到所述热流数据。
可选地,所述获取待预测攻角和待预测侧滑角的范围数值,利用所述卷积神经网络模型进行预测,得到与所述范围数值对应的气动响应面,还包括:
对所述气动响应面进行误差分析,得到偏差数值,并确定所述偏差数值是否为预设数值范围内;
若为所述预设数值范围内,则完成风洞试验设计。
可选地,所述对所述气动响应面进行误差分析,得到偏差数值,包括:
将所述气动响应面与标准气动响应面进行相对误差计算,得到所述偏差数值。
本发明提供一种基于卷积神经网络的风洞试验装置,包括:
采样模块,用于对攻角和侧滑角进行采样得到不同的样本点;
计算模块,用于对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流数据;
模型训练模块,用于根据所述热流数据,利用卷积神经网络对所述热流数据进行训练,得到卷积神经网络模型;
试验模块,用于获取待预测攻角和待预测侧滑角的范围数值,利用所述卷积神经网络模型进行预测,得到与所述范围数值对应的气动响应面。
本发明提供一种基于卷积神经网络的风洞试验设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的基于卷积神经网络的风洞试验方法。
本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上述所述基于卷积神经网络的风洞试验方法的步骤。
可见,本发明通过利用卷积神经网络进行风洞现代试验设计的方式,替代现有技术中的线性机理模型,充分挖掘飞行器在不同工况条件下与气动响应间的非线性关系,有效提高响应面的预测精度。本申请还提供一种基于卷积神经网络的风洞试验装置、设备及存储介质,具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种基于卷积神经网络的风洞试验方法的流程图;
图2为本发明实施例所提供的一种基于卷积神经网络结构示意图;
图3为本发明实施例所提供的一种基于卷积神经网络的风洞试验装置的结构框图;
图4为本发明实施例所提供的一种基于卷积神经网络的风洞试验设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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。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。
目前,传统试验设计(One Factor at A Time,OFAT)方法是风洞试验设计采取的主要方法,但该方法作为一种基于大量试验数据的方法,忽略了试验中各变量间的交互作用、试验结果表示不直观以及需要采集的数据点较多而导致的试验成本高效率低等缺陷。
近年来,现代试验设计方法(MDOE)在大型设备、工况复杂、耗能高等试验的优化设计中取得了良好的社会经济效益,MDOE利用优化理论、统计方法以及数论科学安排生产和科研试验,通过设计方案、试验安排、数学建模、方差分析和优化方案等步骤,通过少量的试验即可得到较优的试验结果、建立精度较高的模型。
其中,气动响应模型的建立是现代实验设计的重要环节,常用的模型构架包括多项式模型、径向基函数、混沌多项式模型等,其核心思想是运用某一个完备的函数空间,通过确定合适的线性组合系数,使模型更准确地拟合现有数据,这类运用机理建模方法构建的模型,往往能对其组合项进行物理含义解释,但对气动响应中的非线性特征拟合能力较差,影响响应面的预测精度。
鉴于此,本发明提供了一种基于卷积神经网络的风洞试验方法,通过利用卷积神经网络进行风洞现代试验设计的方式,替代现有技术中的线性机理模型,充分挖掘飞行器在不同工况条件下与气动响应间的非线性关系,有效提高响应面的预测精度。
下面进行详细介绍,请参考图1,图1为本发明实施例所提供的一种基于卷积神经网络的风洞试验方法的流程图,本发明实施例一种基于卷积神经网络的风洞试验方法可以包括:
步骤S101:对攻角和侧滑角进行采样得到不同的样本点。
本发明实施例中攻角为一流体力学名词,对于飞行器来说,攻角是指飞行器的升力方向矢量与飞行器纵轴之间的夹角,侧滑角为飞行器飞行速度矢量与其纵向对称平面之间的夹角,是确定飞行器飞行姿态的重要参数。
本发明实施例中对采样的方式不做限制,可以利用拉丁超立方采样方法对攻角和侧滑角进行采样,得到不同的样本点。需要说明的是,拉丁超立方采样方法(Latinhypercube sampling,缩写LHS)为一种从多元参数分布中近似随机抽样的方法,属于分层抽样技术,常用于计算机实验或蒙特卡洛积分等,该采样方法为将每个设计变量的定义域区间划分成q个相等的小区间,共有n个设计变量,这样整个数据空间被分成个相同的小区域,最后选取q个样本点。相较于传统风洞试验设计的获取样本点方式,本发明实施例中,基于拉丁超立方采样方法所取得的样本点数可以减少90%,能够大幅缩短试验时间,减少科研费用。
步骤S102:对各个样本点进行气动热数值模拟,得到各个样本点的热流数据。
本发明实施例中对进行气动热数值模拟的方法不做限制,可以为利用NNW-HyFLOW进行气动热数值模拟,NNW-HyFLOW为面向高超声速应用领域的国产自主工业CFD软件,具有较高的数值计算精准度,初步满足了高超声速复杂飞行器高温非平衡流动数值模拟的需求。
需要说明的是,本发明实施例中可以对各个样本点进行气动热数值模拟,得到各个样本点的热流结果,并根据热流结果,对热流结果进行数据转换得到热流数据,其中,对于数据转换的方法不做限制,可以为将热流结果转化成矩阵形式得到热流数据,方便后续对于卷积神经网络模型的构建和调试。具体的例如通过自研NNW系列软件中的HyFlow进行气动热数值模拟,获得之前利用LHS(拉丁超立方采样方法)采样的样本点处的热流结果,为了能够满足卷积神经网络(CNN)的输入要求,需要对样本点的攻角和侧滑角数据进行处理,具体数据转化方法如下:
其中,t为攻角,s为侧滑角,n表示为将输入向量的长度扩充n倍。
本发明实施例中通过对各个样本点进行气动热数值模拟,得到各个样本点的热流数据,热流数据为可以输入卷积神经网络模型的数据形式,方便了后续模型的构建和调试。
步骤S103:根据热流数据,利用卷积神经网络对热流数据进行训练,得到卷积神经网络模型。
本发明实施例中可以将热流数据分为训练集和测试集,其中,训练集用于利用卷积神经网络进行训练得到卷积神经网络模型,测试集用于对训练好的卷积神经网络模型进行测试,测试模型的准确度等,便于步骤S104生成较为准确的气动响应面。
本发明实施例中卷积神经网络为一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。需要说明的是,本发明实施例中卷积神经网络结构示意图如图2所示,包含输入层、卷积层、全连接层、输出层,其中共有3个卷积层,每个都包含有1个一维卷积层(Conv1d)、1个引入非线性能力的激活函数层(ReLu)、1个批量归一化层(BN)。可以实现在训练的过程中不断更新网络的隐藏层层数、各层神经元节点数、激活函数等。
本发明实施例中可以根据热流数据,利用卷积神经网络对热流数据进行训练,得到卷积神经网络模型,具体地可以利用卷积神经网络对各个样本点的热流数据进行训练,并计算得到与热流数据对应的损失数值,然后确定损失数值是否为预设目标损失数值,若为预设目标损失数值,则停止训练热流数据,得到卷积神经网络模型,若不为预设目标损失数值,则继续对样本点的热流数据进行训练直至达到预设目标损失数值。例如可以利用公式得到损失值,公式如下:
其中,Smooth L1为损失函数,利用损失函数可以得到对应的损失值,otherwise表示与上述条件判断相反的情况,x为热流数据,作为损失函数的自变量,该损失函数对离群点、异常值不敏感,可控制梯度的量级,梯度变化相对更小。具体地,可以使用Adam函数优化损失梯度下降过程,在经过合理次数迭代训练后达到目标精度。需要说明的是,本发明实施例中对预设目标损失数值的设置不做限制,可以由设计人员根据预测数值进行设置,也可以根据具体实验情况设置。
本发明实施例中将卷积神经网络(CNN)引入到风洞现代试验设计中,替代现有技术中的线性机理模型,充分挖掘飞行器在不同工况条件下与气动响应间的非线性关系,有效提高响应面的预测精度。
步骤S104:获取待预测攻角和待预测侧滑角的范围数值,利用卷积神经网络模型进行预测,得到与范围数值对应的气动响应面。
本发明实施例中可以获取待预测攻角和待预测侧滑角的范围数值,利用卷积神经网络模型进行预测,得到与范围数值对应的气动响应面。具体的例如将攻角(0°-10°)和侧滑角(0°-10°)输入到训练好的卷积神经网络模型中,生成响应面,需要说明的是,响应面为基于攻角和侧滑角的范围生成的。
进一步,为了检验生成响应面的准确度,可以对气动响应面进行误差分析,得到偏差数值,并确定偏差数值是否为预设数值范围内,若为预设数值范围内,则完成风洞试验设计,若不为预设数值范围内,则继续进行模型训练。其中,对于误差分析的方法不做限制,可以为将气动响应面与标准气动响应面进行相对误差计算,得到偏差数值,其中,标准气动响应面为利用传统风洞试验设计(OFAT)中的采样点得到的响应面,具体的例如利用相对误差分布图进行误差分析,当误差值位于(-0.3-0.1)间时,整体误差较小。可以为将采样点处的响应投映到响应面上,判断采样点与响应面的重合程度,重合程度较高时,证明误差较小。还可以进行95%的置信区间分析,例如可以选取侧滑角等于5°时的传统风洞试验设计(OFAT)实验点,验证其是否可以落在响应曲面的95%置信区间内,若OFAT实验点均落在了95%置信区间内,则表明了误差较小,可靠性高。
基于上述实施例,本发明实施例提供了一种基于卷积神经网络的风洞试验方法,相较于传统风洞试验设计方法,基于拉丁超立方采样方法所取得的采样点数可以减少90%,能够大幅缩短试验时间,减少科研费用,并且将卷积神经网络引入到风洞现代试验设计中,替代现有技术中的线性机理模型,充分挖掘飞行器在不同工况条件下与气动响应间的非线性关系,有效提高响应面的预测精度。
下面通过具体例子说明上述过程,过程具体如下:
1、基于LHS采样方法获得少量的攻角和侧滑角采样点数据。
2、利用“虚拟”风洞-CFD计算得到采样点的气动响应,建立采样点气动响应数据库。具体的例如以半球体为预测案例,工况变量为攻角和侧滑角,工况条件为马赫数(8)、攻角(0°-10°)和侧滑角(0°-10°),首先通过本中心自研NNW系列软件中的HyFlow进行气动热数值模拟,然后获得之前LHS采样点处的热流结果。
3、将每个的采样点数据处理为符合神经网络输入要求的矩阵形式并将采样点数据划分为训练集和测试集。具体的例如对工况变量攻角和侧滑角数据进行扩充处理,使输入向量的长度扩充n倍。
4、构建卷积神经网络模型并进行迭代训练和调优,用训练调试好的CNN模型生成预测气动响应面,最后分析预测值和真实值之间的误差和可信度。
本发明实施例中相较于传统风洞试验设计方法,基于拉丁超立方采样方法所取得的采样点数可以减少90%,能够大幅缩短试验时间,减少科研费用,并且将卷积神经网络引入到风洞现代试验设计中,替代现有技术中的线性机理模型,充分挖掘飞行器在不同工况条件下与气动响应间的非线性关系,有效提高响应面的预测精度。
下面对本发明实施例所提供的一种基于卷积神经网络的风洞试验装置以及设备进行介绍,下文描述的基于卷积神经网络的风洞试验装置以及设备与上文描述的基于卷积神经网络的风洞试验方法可相互对应参照。
请参考图3,图3为本发明实施例所提供的一种基于卷积神经网络的风洞试验装置的结构框图,该装置可以包括:
采样模块11,用于对攻角和侧滑角进行采样得到不同的样本点;
本发明实施例中可以利用拉丁超立方采样方法对所述攻角和所述侧滑角进行采样,得到不同的所述样本点。
计算模块12,用于对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流数据;
模型训练模块13,用于根据所述热流数据,利用卷积神经网络对所述热流数据进行训练,得到卷积神经网络模型;
试验模块14,用于获取待预测攻角和待预测侧滑角的范围数值,利用所述卷积神经网络模型进行预测,得到与所述范围数值对应的气动响应面。
基于上述实施例,所述计算模块12,可以包括:
模拟单元,用于对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流结果;
数据转换单元,用于根据所述热流结果,对所述热流结果进行数据转换得到所述热流数据。需要说明的是,本发明实施例中可以将所述热流结果转化成矩阵形式得到所述热流数据。
基于上述任意实施例,所述模型训练模块13,可以包括:
计算单元,用于利用所述卷积神经网络对各个所述样本点的所述热流数据进行训练,并计算得到与所述热流数据对应的损失数值;
判断单元,用于确定所述损失数值是否为预设目标损失数值;
模型训练单元,用于若为所述预设目标损失数值,则停止训练所述热流数据,得到所述卷积神经网络模型。
基于上述任意实施例,所述试验模块14,还可以包括:
分析单元,用于对所述气动响应面进行误差分析,得到偏差数值,并确定所述偏差数值是否为预设数值范围内;
本发明实施例中可以将所述气动响应面与标准气动响应面进行相对误差计算,得到所述偏差数值。
试验单元,用于若为所述预设数值范围内,则完成风洞试验设计。
本发明实施例中通过利用卷积神经网络进行风洞现代试验设计的方式,替代现有技术中的线性机理模型,充分挖掘飞行器在不同工况条件下与气动响应间的非线性关系,有效提高响应面的预测精度。
请参考图4,图4为本发明实施例所提供的一种基于卷积神经网络的风洞试验设备的结构框图,该设备包括:
存储器10,用于存储计算机程序;
处理器20,用于执行所述计算机程序时,以实现上述的基于卷积神经网络的风洞试验方法。
如图4所示,为基于卷积神经网络的风洞试验设备的结构示意图,可以包括:存储器10、处理器20、通信接口31、输入输出接口32以及通信总线33。
在本发明实施例中,存储器10中用于存放一个或者一个以上程序,程序可以包括程序代码,程序代码包括计算机操作指令,在本申请实施例中,存储器10中可以存储有用于实现以下功能的程序:
对攻角和侧滑角进行采样得到不同的样本点;
对各个样本点进行气动热数值模拟,得到各个样本点的热流数据;
根据热流数据,利用卷积神经网络对热流数据进行训练,得到卷积神经网络模型;
获取待预测攻角和待预测侧滑角的范围数值,利用卷积神经网络模型进行预测,得到与范围数值对应的气动响应面。
在一种可能的实现方式中,存储器10可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统,以及至少一个功能所需的应用程序等;存储数据区可存储使用过程中所创建的数据。
此外,存储器10可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。操作系统可以包括各种系统程序,用于实现各种基础任务以及处理基于硬件的任务。
处理器20可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件,处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。
通信接口31可以为用于与其他设备或者系统连接的接口。
输入输出接口32可以为用于获取外界输入数据或向外界输出数据的接口。
当然,需要说明的是,图4所示的结构并不构成对本申请实施例中风洞试验设备的限定,在实际应用中风洞试验设备可以包括比图4所示的更多或更少的部件,或者组合某些部件。
本发明实施例中通过利用卷积神经网络进行风洞现代试验设计的方式,替代现有技术中的线性机理模型,充分挖掘飞行器在不同工况条件下与气动响应间的非线性关系,有效提高响应面的预测精度。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机可执行指令,计算机可执行指令被处理器加载并执行时,实现对攻角和侧滑角进行采样得到不同的样本点;对各个样本点进行气动热数值模拟,得到各个样本点的热流数据;根据热流数据,利用卷积神经网络对热流数据进行训练,得到卷积神经网络模型;获取待预测攻角和待预测侧滑角的范围数值,利用卷积神经网络模型进行预测,得到与范围数值对应的气动响应面。本发明实施例中相较于传统风洞试验设计方法,基于拉丁超立方采样方法所取得的采样点数可以减少90%,能够大幅缩短试验时间,减少科研费用,并且将卷积神经网络引入到风洞现代试验设计中,替代现有技术中的线性机理模型,充分挖掘飞行器在不同工况条件下与气动响应间的非线性关系,有效提高响应面的预测精度。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的基于卷积神经网络的风洞试验方法、装置、设备以及介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于卷积神经网络的风洞试验方法,其特征在于,包括:
对攻角和侧滑角进行采样得到不同的样本点;
对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流数据;
根据所述热流数据,利用卷积神经网络对所述热流数据进行训练,得到卷积神经网络模型;
获取待预测攻角和待预测侧滑角的范围数值,利用所述卷积神经网络模型进行预测,得到与所述范围数值对应的气动响应面。
2.如权利要求1所述的基于卷积神经网络的风洞试验方法,其特征在于,所述根据所述热流数据,利用卷积神经网络对所述热流数据进行训练,得到卷积神经网络模型,包括:
利用所述卷积神经网络对各个所述样本点的所述热流数据进行训练,并计算得到与所述热流数据对应的损失数值;
确定所述损失数值是否为预设目标损失数值;
若为所述预设目标损失数值,则停止训练所述热流数据,得到所述卷积神经网络模型。
3.如权利要求1所述的基于卷积神经网络的风洞试验方法,其特征在于,所述对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流数据,包括:
对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流结果;
根据所述热流结果,对所述热流结果进行数据转换得到所述热流数据。
4.如权利要求1所述的基于卷积神经网络的风洞试验方法,其特征在于,所述对攻角和侧滑角进行采样得到不同的样本点,包括:
利用拉丁超立方采样方法对所述攻角和所述侧滑角进行采样,得到不同的所述样本点。
5.如权利要求3所述的基于卷积神经网络的风洞试验方法,其特征在于,所述根据所述热流结果,对所述热流结果进行数据转换得到所述热流数据,包括:
将所述热流结果转化成矩阵形式得到所述热流数据。
6.如权利要求1所述的基于卷积神经网络的风洞试验方法,其特征在于,所述获取待预测攻角和待预测侧滑角的范围数值,利用所述卷积神经网络模型进行预测,得到与所述范围数值对应的气动响应面,还包括:
对所述气动响应面进行误差分析,得到偏差数值,并确定所述偏差数值是否为预设数值范围内;
若为所述预设数值范围内,则完成风洞试验设计。
7.如权利要求6所述的基于卷积神经网络的风洞试验方法,其特征在于,所述对所述气动响应面进行误差分析,得到偏差数值,包括:
将所述气动响应面与标准气动响应面进行相对误差计算,得到所述偏差数值。
8.基于卷积神经网络的风洞试验装置,其特征在于,包括:
采样模块,用于对攻角和侧滑角进行采样得到不同的样本点;
计算模块,用于对各个所述样本点进行气动热数值模拟,得到各个所述样本点的热流数据;
模型训练模块,用于根据所述热流数据,利用卷积神经网络对所述热流数据进行训练,得到卷积神经网络模型;
试验模块,用于获取待预测攻角和待预测侧滑角的范围数值,利用所述卷积神经网络模型进行预测,得到与所述范围数值对应的气动响应面。
9.一种基于卷积神经网络的风洞试验设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的基于卷积神经网络的风洞试验方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至7任一项所述基于卷积神经网络的风洞试验方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310601831.3A CN116296239A (zh) | 2023-05-26 | 2023-05-26 | 基于卷积神经网络的风洞试验方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310601831.3A CN116296239A (zh) | 2023-05-26 | 2023-05-26 | 基于卷积神经网络的风洞试验方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116296239A true CN116296239A (zh) | 2023-06-23 |
Family
ID=86794608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310601831.3A Pending CN116296239A (zh) | 2023-05-26 | 2023-05-26 | 基于卷积神经网络的风洞试验方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116296239A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063290A (zh) * | 2018-07-20 | 2018-12-21 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于神经网络技术的颤振预测方法 |
CN110033038A (zh) * | 2019-04-09 | 2019-07-19 | 电子科技大学 | 气动热试验数据的智能选取算法 |
CN112560355A (zh) * | 2021-02-22 | 2021-03-26 | 常州微亿智造科技有限公司 | 基于卷积神经网络的风洞的马赫数的预测方法和装置 |
CN113051820A (zh) * | 2021-03-24 | 2021-06-29 | 中国空气动力研究与发展中心超高速空气动力研究所 | 基于卷积神经网络的跨流域气动参数模拟方法 |
CN114996658A (zh) * | 2022-07-20 | 2022-09-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于投影的高超声速飞行器气动热预测方法 |
CN115758893A (zh) * | 2022-11-23 | 2023-03-07 | 国网重庆市电力公司电力科学研究院 | 架空覆冰导线气动系数预测方法、装置、设备及存储介质 |
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 |
-
2023
- 2023-05-26 CN CN202310601831.3A patent/CN116296239A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063290A (zh) * | 2018-07-20 | 2018-12-21 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于神经网络技术的颤振预测方法 |
CN110033038A (zh) * | 2019-04-09 | 2019-07-19 | 电子科技大学 | 气动热试验数据的智能选取算法 |
CN112560355A (zh) * | 2021-02-22 | 2021-03-26 | 常州微亿智造科技有限公司 | 基于卷积神经网络的风洞的马赫数的预测方法和装置 |
CN113051820A (zh) * | 2021-03-24 | 2021-06-29 | 中国空气动力研究与发展中心超高速空气动力研究所 | 基于卷积神经网络的跨流域气动参数模拟方法 |
CN114996658A (zh) * | 2022-07-20 | 2022-09-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于投影的高超声速飞行器气动热预测方法 |
CN115758893A (zh) * | 2022-11-23 | 2023-03-07 | 国网重庆市电力公司电力科学研究院 | 架空覆冰导线气动系数预测方法、装置、设备及存储介质 |
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 |
Non-Patent Citations (3)
Title |
---|
张江;秦永明;马汉东;: "风洞MDOE的形式实验设计方法研究", 空气动力学学报, vol. 34, no. 01, pages 59 - 68 * |
张江等: "亚跨超风洞现代试验设计方法研究", 空气动力学学报, vol. 33, no. 3, pages 384 - 391 * |
战培国: "MDOE风洞试验方法研究", 航空科学技术, no. 6, pages 10 - 14 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network | |
WO2021000556A1 (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
Han et al. | Surrogate-based optimization | |
Cai et al. | Metamodeling for high dimensional design problems by multi-fidelity simulations | |
CN110619389A (zh) | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 | |
US8924331B2 (en) | System and method for solving quadratic programming problems with bound constraints utilizing a semi-explicit quadratic programming solver | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN115427968A (zh) | 边缘计算设备中的鲁棒人工智能推理 | |
CN114235330A (zh) | 关联风洞试验和计算数据的多源气动载荷模型构建方法 | |
CN112414668B (zh) | 一种风洞试验数据静气弹修正方法、装置、设备及介质 | |
CN112287484B (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
Tesfahunegn et al. | Surrogate-based airfoil design with space mapping and adjoint sensitivity | |
Boncoraglio et al. | Piecewise-global nonlinear model order reduction for pde-constrained optimization in high-dimensional parameter spaces | |
Zhang et al. | Dynamic probabilistic design technique for multi-component system with multi-failure modes | |
Wei et al. | A novel reliability analysis approach with collaborative active learning strategy-based augmented RBF metamodel | |
CN116628854A (zh) | 一种翼型气动特性预测方法、系统、电子设备及存储介质 | |
CN116296239A (zh) | 基于卷积神经网络的风洞试验方法、装置、设备和介质 | |
Hu et al. | Remaining useful life prediction method combining the life variation laws of aero-turbofan engine and auto-expandable cascaded LSTM model | |
CN115618501A (zh) | 基于数据融合修正的亚跨气动特性获取方法、系统及装置 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
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 | |
Tartaruga et al. | Flutter uncertainty quantification for the S4T model | |
CN111783236A (zh) | 基于自适应模型和子集模拟的涡轮机匣灵敏度分析方法 | |
Clarich et al. | Reliability-based design optimization applying polynomial chaos expansion: theory and Applications | |
Dong et al. | A product performance rapid simulation approach driven by digital twin data: Part 1. For variable product structures |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |
|
RJ01 | Rejection of invention patent application after publication |