CN116361917A - 一种火箭发动机喷管型面优化方法、装置及设备 - Google Patents
一种火箭发动机喷管型面优化方法、装置及设备 Download PDFInfo
- Publication number
- CN116361917A CN116361917A CN202310330017.2A CN202310330017A CN116361917A CN 116361917 A CN116361917 A CN 116361917A CN 202310330017 A CN202310330017 A CN 202310330017A CN 116361917 A CN116361917 A CN 116361917A
- Authority
- CN
- China
- Prior art keywords
- spray pipe
- profile
- model
- rocket engine
- nozzle
- 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
- 239000007921 spray Substances 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 123
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000013461 design Methods 0.000 claims abstract description 89
- 239000007788 liquid Substances 0.000 claims abstract description 34
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 57
- 239000002245 particle Substances 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000004088 simulation Methods 0.000 claims description 22
- 230000002068 genetic effect Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 239000003795 chemical substances by application Substances 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 12
- 238000010998 test method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 239000002737 fuel gas Substances 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 230000004323 axial length Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000003050 experimental design method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 45
- 239000011159 matrix material Substances 0.000 description 11
- 230000035772 mutation Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000002485 combustion reaction Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 239000012530 fluid Substances 0.000 description 5
- 238000004141 dimensional analysis Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000003380 propellant Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- WFPZPJSADLPSON-UHFFFAOYSA-N dinitrogen tetraoxide Chemical compound [O-][N+](=O)[N+]([O-])=O WFPZPJSADLPSON-UHFFFAOYSA-N 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000007800 oxidant agent Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RHUYHJGZWVXEHW-UHFFFAOYSA-N 1,1-Dimethyhydrazine Chemical compound CN(C)N RHUYHJGZWVXEHW-UHFFFAOYSA-N 0.000 description 1
- 241000721047 Danaus plexippus Species 0.000 description 1
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical group O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种火箭发动机喷管型面优化方法、装置及设备，本发明涉及机器学习领域，用于解决现有技术中喷管型面优化的方法的准确性不足，难以获取喷管流场特性的问题。包括：获取预先设定的液体火箭发动机喷管的边界条件；基于边界条件，设置液体火箭发动机的喷管型面样本设计变量，基于喷管型面样本设计变量，构建喷管二维模型；利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；基于喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。通过合理化的误差评估方法，评估特征模型精度，实现基于优化程序自动进行喷管型面优化的目的，提高发动机喷管型面优化的方法的准确性，从而获取喷管流场特性。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及一种火箭发动机喷管型面优化方法、装置及设备。
背景技术
喷管是液体火箭发动机产生推力的重要部件。推进剂燃烧所产生的高温高压燃气在喷管中迅速膨胀，经由喷管出口排出，产生发动机所需推力。喷管型面的结构将直接影响燃烧所产生的燃气在喷管中的流动情况，进而对发动机的性能产生影响。根据液体火箭发动机喷管的结构特点，可将喷管分为收缩段和扩张段两个部分，气流在喷管扩张段处于超声速流动，所以一般情况下，扩张段对喷管的性能和尺寸影响最大，如果扩张段型面设计的不合理，喷管效率就会受到明显的影响。
通常设计喷管型面是基于一维分析理论进行型面优化，并利用二维或三维CFD(Computational Fluid Dynamics(计算流体动力学))流场分析的方法来进行修正。但一维方法不能实现对喷管性能的准确评估。
因此，提供了一种更为可靠的火箭发动机喷管型面优化方案。
发明内容
本发明的目的在于提供一种火箭发动机喷管型面优化方法、装置及设备，用于解决现有技术中基于一维分析理论进行发动机喷管型面优化的方法的准确性不足，难以获取喷管流场特性的问题。
为了实现上述目的，本发明提供如下技术方案：
第一方面，本发明提供一种火箭发动机喷管型面优化方法，方法包括：
获取预先设定的液体火箭发动机喷管的边界条件；
基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量；
基于喷管型面样本设计变量，构建喷管二维模型；
利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；
基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。
与现有技术相比，本发明提供一种火箭发动机喷管型面优化方法，通过获取预先设定的液体火箭发动机喷管的边界条件；基于边界条件，设置液体火箭发动机的喷管型面样本设计变量，基于喷管型面样本设计变量，构建喷管二维模型；利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；基于喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。通过合理化的误差评估方法，评估特征模型精度，实现基于优化程序自动进行喷管型面优化的目的，提高发动机喷管型面优化的方法的准确性，从而获取喷管流场特性。
第二方面，本发明提供一种火箭发动机喷管型面优化装置，装置包括：
边界条件获取模块，用于获取预先设定的液体火箭发动机喷管的边界条件；
喷管型面样本设计变量设置模块，用于基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量；
喷管二维模型构建模块，用于基于喷管型面样本设计变量，构建喷管二维模型；
喷管型面特征模型构建模块，用于利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；
喷管型面优化模块，用于基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。
第三方面，本发明提供一种火箭发动机喷管型面优化设备，设备包括：
通信单元/通信接口，用于获取预先设定的液体火箭发动机喷管的边界条件；
处理单元/处理器，用于基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量；
基于喷管型面样本设计变量，构建喷管二维模型；
利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；
基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。
第四方面，本发明提供一种计算机存储介质，所述计算机存储介质中存储有指令，当所述指令被运行时，实现上述的火箭发动机喷管型面优化方法。
第二方面提供的装置类方案、第三方面提供的设备类方案以及第四方面提供的计算机存储介质方案所实现的技术效果与第一方面提供的方法类方案相同，此处不再赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明提供的一种火箭发动机喷管型面优化方法流程示意图；
图2为本发明提供的一种火箭发动机喷管型面整体优化流程示意图；
图3为本发明提供的蒙特卡洛抽样方法样本示例图；
图4为本发明提供的拉丁超立方设计样本示例图；
图5为本发明提供的均匀设计样本示例图；
图6为本发明提供的一种火箭发动机喷管型面优化装置结构示意图；
图7本发明提供的一种火箭发动机喷管型面优化设备结构示意图。
具体实施方式
为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一阈值和第二阈值仅仅是为了区分不同的阈值，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是，本发明中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a和b的结合，a和c的结合，b和c的结合，或a、b和c的结合，其中a，b，c可以是单个，也可以是多个。
针对目前基于一维分析理论进行发动机喷管型面优化的方法的准确性不足，难以获取喷管流场特性等问题，提出基于二维CFD仿真的发动机喷管型面优化方法。
接下来，结合附图对本说明书实施例提供的方案进行说明：
如图1所示，该流程可以包括以下步骤：
步骤110：获取预先设定的液体火箭发动机喷管的边界条件。
液体火箭发动机是指液体推进剂的化学火箭发动机。常用的液体氧化剂有液态氧、四氧化二氮等，燃烧剂由液氢、偏二甲肼、煤油等。氧化剂和燃烧剂必须储存在不同的储箱中。喷管是液体火箭发动机产生推力的重要部件。推进剂燃烧所产生的高温高压燃气在喷管中迅速膨胀，经由喷管出口排出，产生发动机所需推力。喷管型面的结构将直接影响燃烧所产生的燃气在喷管中的流动情况，进而对发动机的性能产生影响。
边界条件是预先给定的边界条件，即喷管内燃气物性参数、喷管喉部直径，出口直径，喷管轴向长度以及喷管进出口温度、压力等数据。
步骤120：基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量。
步骤130：基于喷管型面样本设计变量，构建喷管二维模型。
样本设计变量是构建喷管二维模型参数化建模的基础，该喷管型面样本设计变量的设置可以根据边界条件中包含的数据来进行。
步骤140：利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型。
本发明中，二维网格变形采用自动生成的方式，基于生成的二维喷管计算网格，来进行CFD仿真得到样本点数据，从而进一步构建喷管型面特征模型。
步骤150：基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。
通常设计喷管型面是基于一维分析理论进行型面优化，并利用二维或三维CFD(Computational Fluid Dynamics(计算流体动力学))流场分析的方法来进行修正。但一维方法不能实现对喷管性能的准确评估，因此本发明提出了一种基于二维CFD仿真进行发动机喷管型面优化的方法。
图1中的方法，通过获取预先设定的液体火箭发动机喷管的边界条件；基于边界条件，设置液体火箭发动机的喷管型面样本设计变量，基于喷管型面样本设计变量，构建喷管二维模型；利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；基于喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。通过合理化的误差评估方法，评估特征模型精度，实现基于优化程序自动进行喷管型面优化的目的，提高发动机喷管型面优化的方法的准确性，从而获取喷管流场特性。
基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。
如图2所示，喷管型面优化流程主要包括喷管二维模型参数化建模与计算、网格变形与生成、喷管型面特征模型试验设计、喷管型面特征模型构建与训练、喷管型面特征模型误差检验以及喷管型面优化这6大过程，其中，喷管二维模型参数化建模与计算这一过程中可以包括几何模型构建、CFD算例构建以及样本设计变量这几个阶段。喷管型面特征模型试验设计中需要获取样本点数据，从而基于样本点数据完成喷管型面特征模型的设计。接下来，分别针对6个过程中的每个过程进行说明：
(1)喷管二维模型参数化建模与计算
可选的，所述基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量，具体可以包括：
根据所述边界条件，构建CFD算例；所述边界条件至少包括：喷管内燃气物性参数、喷管喉部直径、出口直径、喷管轴向长度、喷管进出口温度以及喷管压力；
基于构建的CFD算例，建立喷管初始网格结构，并分析喷管流场分布情况；
基于喷管初始网格结构以及喷管流场分布情况，设置型面样本设计变量。
传统的发动机型面设计通常基于特征线法进行设计，具有一定的经验性。本发明随机优化算法与代理模型相结合，在不依赖经验方法的基础上，通过优化算法大幅度减少流场计算的次数。基于不同的代理模型结构，模拟得到优化后发动机型面结构。并利用合适的抽样方法，在满足高维度设计变量情况下，有效减少CFD仿真规模。此外，代理模型适用于任何组件模型的结构设计，进而拓宽了基于代理模型进行组件型面设计方法的应用范围。
(2)网格变形与生成
所述利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型之前，还可以包括：
采用几何参数化生成的喷管型面作为输入条件，在原有网格文件的基础上进行网格变形，生成目标计算网格；所述目标计算网格不改变原有网格的网格扩谱；
采用所述目标计算网格对喷管进行后续的CFD仿真分析。
本发明中，构建网格自动变形程序，实现快速生成不同设计参数下的计算网格自动生成，具体地，采用几何参数化生成的喷管型面作为输入条件，在原有网格文件的基础上，在不改变网格扩谱的情况下，生成新的计算网格。基于这一方法可实现在不改变CFD仿真算例的基础上，通过网格变形，自动生成新喷管的计算网格，用于CFD仿真计算，从而实现基于优化程序自动进行喷管型面优化的目的。
(3)喷管型面特征模型试验设计
所述利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型，具体可以包括：
根据所述喷管流场分布情况，选取对应的特征模型试验方法，选定喷管型面样本点；所述特征模型试验方法至少包括：蒙特卡洛抽样方法、拉丁超立方试验设计方法以及均匀设计的抽样方法；
根据所述边界条件，对喷管进行CFD仿真分析，生成用于训练喷管型面特征模型的样本点数据；
基于所述样本点数据，构建喷管型面特征模型。
实际实现步骤中，基于喷管流场分布情况，选取适合的特征模型试验方法，选定喷管型面样本点。本发明考虑三种稳态工况下的特征模型试验方法，分别蒙特卡洛抽样方法、拉丁超立方试验设计方法均匀设计的抽样方法。接下来，对三种特征模型试验方法分别进行说明：
方法一、蒙特卡洛抽样方法
蒙特卡洛抽样是一种随机抽样方法，实现过程为：
假设给定参数区间为[xl,xu]，在该区间内生成一个随机数，该随机数即所生成的样本点。对于nv维空间，即设计变量(如：压差、流量与转速)数为nv，在每一维空间内生成一个随机数，这nv个随机数即构成了设计空间内的一个样本点。图3给出了采用蒙特卡洛模拟设计方法生成的[0,1]设计空间中的两个变量x1、x2的10个样本点。从图3中可看出，样本点在设计空间内的分布并不均匀。尽管如此，在一些特殊情况下，比如当样本点数小于设计变量个数时，很多试验设计方法已经无法实现，但是蒙特卡罗抽样仍然适用。
方法二、拉丁超立方试验设计方法
拉丁超立方设计又称为拉丁超立方抽样(Latinhypercube sampling，LHS)，它是满空间试验设计中比较流行的一种现代试验设计方法。该方法的本质在于控制抽样点的位置，避免样本点在小范围内聚集。LHS实现过程如下。假设对nv个变量进行ns次抽样(即ns个样本点)，将各设计变量都分成等概率的ns个区间，于是整个抽样空间就被分为等概率的
个小区间。然后将ns个样本{1,2,…,ns-1}随机放入设计空间中并满足下列两个条件：条件一、每个样本点在小区间内随机地分布；条件二、将所有样本点投影到任意一维时，每个小区间内有且仅有一个样本点。将变量归一化，取值范围[0,1]，样本点可由公式(1)得到：
其中，i表示第i个样本点，j表示第j维，U表示[0,1]之间的随机数。π表示{1,2,…,ns-1}的随机排列，即对于任意给定的j，当i取1到ns时，πj (i)的取值为其中的一个值，且对不同的i，πj (i)取值不会出现重复。通过这种方法保证了所有样本点投影到第j维时，每一个小区间有且仅有一个样本点。图4给出了采用拉丁超立方设计方法生成的[0,1]设计空间中的两个变量x1、x2的10个样本点。从图4可看出，每个设计变量的取值范围被划分为10个等分段，设计空间被分成102个小区间，如果将样本点和小空间向每一维上进行投影可以看到在每个子区间中都只包含唯一一个样本点。
方法三、均匀设计的抽样方法
均匀设计通常满足样本点在设计空间内的均匀分散。均匀设计首先需要产生满足设计变量维度和样本数目要求均匀设计表。
均匀设计表用
表示，其中ns表示需要样本点数目，q表示每个因素有q个水平(每个设计变量可能取值的个数)，m表示最多安排m个因素(即m个变量)。/>
是一个ns行，m列的表，在生成该表时要求m大于设计变量的维度n。
给定试验数ns，寻找比ns小的整数h，且是ns和h的最大公约数为1。符合这些条件的正整数组成一个向量(h1,h2,…,hm)。均匀设计表的第j列由以下公式(2)生成：
ui,j＝ihj[modn] (2)
其中，[modn]表示同余运算，当ihj超过ns，则用它减去ns的一个适当倍数，使差落在[1,ns]之间。ui,j也可用递推产生公式(3)和公式(4)：
u1,j＝hj (3)
当ns为素数时，列表最多为ns-1；当ns为合数时，设
其中p1,p2,…,pk为素数，l1,l2,…,lk为正整数，则列数为ns(1-1/p1)(1-1/p21)...(1-1/pk)。图5给出了根据匀设计抽样法生成的在[0,1]设计空间中的两个设计变量x1、x2的40个样本点分布。从图5中还可以看出均匀设计得到的样本点满足拉丁超立方抽样的两个必备条件中的第二个条件，即均匀设计得到的样本点是拉丁超立方抽样所有可能的分布中的其中一种情况。
(4)喷管型面特征模型构建与训练
所述基于所述样本点数据，构建喷管型面特征模型，具体可以包括：
选择代理模型结构；所述代理模型结构包括响应面代理模型、径向基函数代理模型和Kriging代理模型；
基于所述样本点数据，采用选择的所述代理模型结构与对应的参数训练方法进行训练建模，构建喷管型面特征模型。
基于给定的边界条件，对喷管进行CFD仿真分析，产生的训练样本点数据用于训练并构建喷管型面特征模型。本发明选择三种代理模型：响应面代理模型、径向基函数代理模型和Kriging代理模型，接下来，针对每种代理模型分别进行说明：
①响应面代理模型
响应面模型是依据试验设计点建立目标函数的响应面近似模型，以此来预测非试验点的响应值的方法，其中响应面模型可以表示为公式(5)：
其中，xi为设计变量，n为设计变量的个数；βi为回归系数，其个数为M＝(n+1)(n+2)/2。为了求解系数βi，样本数N需要大于等于M。当N＝M时可直接通过求解线性方程组。当N>M时，方程个数大于未知系数个数，可采用最小二乘法进行求解。
②径向基函数代理模型
径向基函数代理模型是通过径向基函数的线形叠加构造出来的模型，径向基函数是一类以待测点与样本点之间的欧氏空间距离为自变量的函数。径向基函数代理模型可以表示为公式(6)：
其中，F(x)表示在设计变量为x时的值。
是径向基函数，参数为设计变量点x与xi的之间的欧氏距离。N为样本的个数。αi为插值函数的系数，它通过的已知的样本xi来确定。p(x)项通常为线性多项式，通常该项对径向基函数代理模型的预测精度影响很小，可忽略该项。
根据N个样本点xi，可以得到如下公式(7)：
di＝F(xi) (7)
带入径向基函数模型，可得公式(8)：
以矩阵的形式表示为公式(9)：
Mα＝d (9)
其中，
求解线性方程组可以获得系数α，将系数带入公式(6)，可以获得位置非试验点x对应的目标值F(x)。
径向基函数分为全局作用函数和紧支撑函数两种类型。全局作用函数构成的M矩阵为稠密矩阵，矩阵元素大部分为非零。紧支撑函数构成的M矩阵为稀疏矩阵，当两点间的欧拉距离大于一定值时，该元素为0。常用的径向基函数有：
Gasussian函数：
Thin plate spline函数：
Wendland’s C2函数：
对于Wendland's C2函数，需要设置一个作用半径，该半径的值影响矩阵M的稀疏程度，合适的值将极大促进最大误差的收敛速度。对于径向基函数代理模型，由于样本点的数目通常不会太大(通常为百量级)，直接求解法具有更高的效率，拟采用全选主元高斯消去法求解线性方程组。
③Kriging代理模型
Kriging代理模型起源于地理空间统计学，是一种估计方差最小的无偏估计模型，通过相关函数的作用，具有局部估计的特点，它可以较好地预估未知点处函数值的分布情况。Kriging近似模型方法是一种被广泛使用的基于随机过程的统计预测方法，可对区域化变量求最优、线性、无偏内插估计值，具有平滑效应及估计方差最小的统计特征。Kriging模型对于非线性复杂问题具有很好的预测效果，精度高，适宜于流体的流动特性预测。
设目标函数的真实表达式为公式(12)：
y(x)＝f(x)+z(x) (12)
式中，y为未知函数，而z(x)为均值为零、方差为σ2、协方差不为零的随机过程。在大多数情况下，可将f(x)看作一个常数α，则上式可表示为一组基函数的组合，如公式(13)：
y(x)＝a+z(x) (13)
因此，Kriging模型可以描述为公式(14)：
式中，ys为样本点的响应矩阵；f为全1列向量；R为样本点之间的相关矩阵如公式(15)：
矩阵中，第i行第j列的元素可以表示为公式(16)：
式中，
为第i个样本点第k维坐标，θi为未知参数。r为观察点与样本点直径的相关向量，如公式(17)：
r＝[R(x,xs,1),R(x,xs,2),…,R(x,xs,n)]T (17)
通过极大似然估计确定参数向量θ后，就可以计算观测点x所对应的函数值。
在指定样本数量情况下，径向基函数模型和响应面模型的训练参数可以采用数值方法进行求解。响应面模型基于最小二乘法计算多项式的拟合系数。径向基函数模型求解一个维度等于样本数目的关联矩阵，采用全选主元高斯消去法求解。Kriging模型训练参数θ体现在关联函数中，无解析解，是一个无约束问题，最终转换为求解极大值问题。采用梯度类优化算法和全局优化算法参数的最优解，具体包括：遗传算法，粒子群优化算法和模式搜索法等。
(5)喷管型面特征模型误差检验
基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化之前，还可以包括：
采用样本点数据中的测试样本点，基于模型校验方法对构建完成的喷管型面特征模型进行误差校验，最终输出的喷管型面特征模型是采用所有CFD仿真得到的样本点数据构建得到的；所述模型校验方法至少包括最大相对误差法、平均相对误差法、均方根误差法以及相关系数法。
上述误差校验步骤中，构建好的特征模型需要植入系统程序中用于替代耦合CFD的二维仿真，因此特征模型的精度对整体系统仿真的准确性至关重要。为验证模型的可靠性，需要采用测试样本点，对其进行校验。测试样本点区别于训练样本，是在训练出的喷管型面特征模型基础上，重新选择样本点，对特征模型的准确度进行校核。最终输出的特征模型将采用所有CFD样本进行构建。本发明采用最大相对误差、平均相对误差、均方根误差以及相关系数等4个误差评定准则用于评估特征模型的精度。
(6)喷管型面优化
所述基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化，具体可以包括：
将所述喷管二维模型与所述喷管型面特征模型进行结合，采用喷管优化算法对喷管型面进行优化；所述喷管优化算法至少包括遗传算法以及粒子群优化算法。
针对喷管型面的优化设计，针对不同目标的喷管优化算法分别进行说明：
算法一、遗传算法
遗传算法采用群体搜索技术，通过对当前群体实施选择、交叉和变异等一系列遗传操作，从而产生新一代群体，并使群体逐步进化到包含或接近最优解的状态。
在遗传算法中，将n为设计变量可以用向量X＝[x1,x2,…,xn]表示，每个X可以表示一个个体(又被称为染色体)，包含那个n个遗传基因(设计变量x)。遗传算法求解最优解的过程为模拟生物进化过程，通过群体按照优胜劣汰的进化，将适应度高的基因更多的遗传到下一代，在最终代的群体中达到或接近最优解。遗传算法的流程图如下图所示，具体步骤为：
1)初始化，设置最大进化代数G，设置个体个数N，设置进化迭代器t＝0，随机生成N个初始个体P(t)；
2)个体评价，计算各个个体的适应度；
3)选择运算，将选择算子作用于群体，根据个体适应度按照一定规则选择父代和母代。选择算子的作用主要是避免优良基因的丢失，使得适应度高的个体能以更大的概率被选中，有机会作为父代繁殖下一代，从而提高遗传算法的全局收敛性及计算效率。常见的选择算子包括轮盘赌选择法、随机遍历抽样法、局部选择法及锦标赛选择法等。
4)交叉运算，将交叉算子作用于父和母，以一定的概率交换它们之间的染色体，从而产生新的个体。在遗传算法中，交叉算子是区别于其它优化算法的本质特征，用于组合新的个体在解空间中快速有效地进行搜索，同时也降低了对有效模式的破坏程度，起到全局搜索寻优的效果。交叉算子直接影响着遗传算法的最终搜索效果，一定程度上决定了其发展前景。
5)变异运算，将变异算子用于交叉产生的新个体，以一定的概率改变个体的基因。经过交叉和变异操作后，最终形成下一代种群P(t＝t+1)。
6)终止条件判断，若t<G，转到2)个体评价中；若t＝G，则终止进化计算并输出最优个体，结束计算。
拟采用实数编码，选择算子采用“君主方案”，即对群体按照适应度排序，用这一代中最优个体一直作为父，其他偶数为个体依次作为母，二者进行交叉后产生新的个体。新个体采用多点变异产生下一代子群。本模块采用了两种不同的变异操作，一种为恒定变异概率，另一种采用大变异遗传算法。大变异遗传算法中，当群体种群过于集中时改变变异概率，改变变异概率条件为公式(18)：
am·fmax＜favg (18)
式中，am为用户输入参数，fmax为种群中最大的适应度，favg为种群中平均的适应度，满足该条件时采用一个更大的变异概率。
算法二、粒子群优化算法
粒子群优化算法(particle swarm optimization，PSO)是一种进化计算技术(evolutionary computation)，源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。PSO的优势在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。算法流程如下：
1)初始化，设置最大进化代数G，设置粒子群体个数N，设置进化迭代器t＝0，随机生成每个粒子的在各个设计空间维度j的位置xj和速度vj；2)计算各个粒子的适应度；3)根据适应度更新各个粒子的历史最优pbest；4)根据适应度更新整个群体粒子的全局最优gbest；5)根据位置和速度公式对每个粒子的速度和位置进行更新；6)进行边界条件处理；7)若达到最大迭代次数，则输出最优解并退出算法，否则回到2)计算各个粒子的适应度。
步骤6)中粒子速度和位置的更新公式如公式(19)：
vi,j(t+1)＝w·vi,j(t)+c1r1[pi,j(t)-xi,j(t)]+c2r2[pg,j(t)-xi,j(t)] (19)
式中，i为粒子编号，j为设计变量的维度，w为惯性权重，c1和c2为学习因子，r1和r2为[0,1]范围内的均匀随机数，pi,j为粒子i历史最优的第j分量，pg,j为全局最优粒子的第j分量。在得到速度后，采用下式可以得到更新后粒子的位置分量：
xi,j(t+1)＝xi,j(t)+vi,j(t+1) (20)
惯性权重w对算法的收敛速度有很大影响，本模块采用了两种的模型，一种为标准粒子群算法，该算法w为恒定值，另一种采用动态惯性权重值，w的计算公式为：
式中，wmax为最大的惯性权重，wmin最小惯性权重，Tmax为最大进化次数。在大多数应用中wmax＝0.9，wmin＝0.4。
而在针对多目标优化问题时，采用非支配排序遗传算法(NSGA-II和NSGA-III)或多目标粒子群优化算法(MOPSO)。
非支配排序遗传算法
主要包括NSGA-II和NSGA-III两种算法。这两种算法采用相同的交叉算子(模拟二进制交叉SBX)、变异算子(多项式变异)和Pareto排序，二者主要差异体现在主要体现在关键层L中种群的选取(NSGA-II基于拥挤距离，NSGA-III基于小生境技术)和选择算子。
NSGA算法的具体步骤如下：
生成随机个体并通过选择算子选出包含N个个体的初始种群P0；对初始种群中的个体执行二元竞赛选择、模拟二进制交叉和变异操作，生成N个子代种群Q0；合并父代和子代种群，新的种群中的个体数为2N；利用快速非支配排序对种群分层得到个体的序值，选取下一代种群P1，(NSGA-III和NSGA-II区别在于对于关键层L中种群的选取，NSGA-III采用小生境技术，NSGA-II基于拥挤距离)；判断是否达到迭代终止的条件，若是，则对种群进行分层，输出非支配解个体；否则重新对初始种群中的个体执行二元竞赛选择、模拟二进制交叉和变异操作，重复重复上述步骤。关键层L中种群的选取是NSGA-II和NSGA-III算法的主要差异。
NSGA-II算法会计算每个种群的每个维度的适应性(归一化)与邻近适应性值的距离，若总的距离大，这表明更偏向于选取该个体。NSGA-III算法采用了小生境技术，首先需要在超平面上布置参考点,参考点既可以以结构化的方法预定义也可以由使用者提前提供。对于三维目标情况，超平面是一个平面，如图所示。将各个参考点与原点形成连线，计算各个种群个体的目标值往各条连线距离，并将该个体归属于距离最小参考点(关联操作)。NSGA-III在选择关键层种群选取偏向于选取归属个体最少的参考点中的个体。大多数多目标进化算法在求解目标维数较低的问题时较为有效，当目标数目大于等于3的时候，也就是面对高维目标优化问题，很多方法由于维数增多选择压力下降，效果变得不理想。NSGA-III的框架基本和NSGA-II相同，NSGA-III最大的变化就是利用良好分布的参考点来保持种群的多样性，相对于NSGA-II，NSGA-III的多样性和收敛性表现得更好。
多目标粒子群算法
多目标粒子群(MOPSO)算法是将原来只能用在单目标上的粒子群算法(PSO)应用于多目标上。MOPSO对于第一个问题的做法是在不能严格对比出哪个好一些时随机选择一个其中一个作为历史最优。对于第二个问题，MOPSO则在最优集里面(存档中)根据拥挤程度选择一个领导者。尽量选择不那么密集位置的粒子(在这里用到了网格法)。MOPSO在选择领导者和对存档(也可以说是Pareto临时最优断面)进行更新的时候应用了自适应网格法。
MOPSO算法具体步骤如下：
1)初始化。种群数，存档的非支配解个数nRep，初始化粒子位置P0p和速度Vel；2)计算所有粒子每个目标的函数值；3)根据粒子的目标函数值，判断粒子之间的支配关系，将非支配解放到外部存档的非支配解集Rep中；4)将目标空间按照Rep中每一维的目标函数值均匀划分成多个超立方体，根据每个目标函数值的大小，将Rep中的粒子放置到相应的超立方体内；5)计算每个粒子的速度Vel(i)；6)更新粒子的位置；7)计算粒子的目标函数值，更新非支配解集Rep；8)更新个体最优解PBest(i)；9)判断是否满足终止条件，如果满足则终止程序，否则转至4)。
本发明基于CFD仿真方法，利用二维网格自动变形生成技术，建立了针对液体火箭发动机喷管型面优化的设计流程。基于所构建的CFD算例，设计样本变量，获取样本点数据，选取合适的特征模型，完成喷管型面优化问题。
更为具体地，本发明采用合理的特征模型试验方法，如蒙特卡洛抽样方法、拉丁超立方体试验设计方法、均匀设计的抽样方法，大幅减少喷管型面样本点数量，提高计算效率。
基于代理模型的喷管型面优化方法，能够在保证计算精度的同时，减少喷管优化的计算量。
建立了合适的喷管几何结构网格变型方法，便利了通过计算机自动形成新的喷管结构，降低了因为人为因素造成的计算速度问题和计算误差。并且通过合理化的误差评估方法，评估特征模型精度。
基于同样的思路，本发明还提供一种火箭发动机喷管型面优化装置，如图6所示，所述装置可以包括：
边界条件获取模块610，用于获取预先设定的液体火箭发动机喷管的边界条件；
喷管型面样本设计变量设置模块620，用于基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量；
喷管二维模型构建模块630，用于基于喷管型面样本设计变量，构建喷管二维模型；
喷管型面特征模型构建模块640，用于利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；
喷管型面优化模块650，用于基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。
基于图6中的装置，还可以包括一些具体的实施单元：
可选的，喷管型面样本设计变量设置模块620，具体可以包括：
CFD算例构建单元，用于根据所述边界条件，构建CFD算例；所述边界条件至少包括：喷管内燃气物性参数、喷管喉部直径、出口直径、喷管轴向长度、喷管进出口温度以及喷管压力；
喷管初始网格结构构建单元，用于基于构建的CFD算例，建立喷管初始网格结构，并分析喷管流场分布情况；
型面样本设计变量设置单元，用于基于喷管初始网格结构以及喷管流场分布情况，设置型面样本设计变量。
可选的，喷管型面特征模型构建模块640，具体可以包括：
喷管型面样本点选定单元，用于根据所述喷管流场分布情况，选取对应的特征模型试验方法，选定喷管型面样本点；所述特征模型试验方法至少包括：蒙特卡洛抽样方法、拉丁超立方试验设计方法以及均匀设计的抽样方法；
样本点数据生成单元，用于根据所述边界条件，对喷管进行CFD仿真分析，生成用于训练喷管型面特征模型的样本点数据；
喷管型面特征模型构建单元，用于基于所述样本点数据，构建喷管型面特征模型。
可选的，所述装置，还可以包括：
网格变形模块，用于采用几何参数化生成的喷管型面作为输入条件，在原有网格文件的基础上进行网格变形，生成目标计算网格；所述目标计算网格不改变原有网格的网格扩谱；
CFD仿真分析分析模块，用于采用所述目标计算网格对喷管进行后续的CFD仿真分析。
可选的，所述喷管型面特征模型构建模块640，具体可以包括：
代理模型结构选择单元，用于选择代理模型结构；所述代理模型结构包括响应面代理模型、径向基函数代理模型和Kriging代理模型；
建模单元，用于基于所述样本点数据，采用选择的所述代理模型结构与对应的参数训练方法进行训练建模，构建喷管型面特征模型。
可选的，装置，还可以包括：
模型误差验证模块，用于采用样本点数据中的测试样本点，基于模型校验方法对构建完成的喷管型面特征模型进行误差校验，最终输出的喷管型面特征模型是采用所有CFD仿真得到的样本点数据构建得到的；所述模型校验方法至少包括最大相对误差法、平均相对误差法、均方根误差法以及相关系数法。
可选的，喷管型面优化模块650，具体可以包括：
优化单元，用于将所述喷管二维模型与所述喷管型面特征模型进行结合，采用喷管优化算法对喷管型面进行优化；所述喷管优化算法至少包括遗传算法以及粒子群优化算法。
基于同样的思路，本说明书实施例还提供了一种火箭发动机喷管型面优化设备。如图7所示。可以包括：
通信单元/通信接口，用于获取预先设定的液体火箭发动机喷管的边界条件；
处理单元/处理器，用于基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量；
基于喷管型面样本设计变量，构建喷管二维模型；
利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；
基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。
如图7所示，上述终端设备还可以包括通信线路。通信线路可包括一通路，在上述组件之间传送信息。
可选的，如图7所示，该终端设备还可以包括存储器。存储器用于存储执行本发明方案的计算机执行指令，并由处理器来控制执行。处理器用于执行存储器中存储的计算机执行指令，从而实现本发明实施例提供的方法。
如图7所示，存储器可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-onlymemory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过通信线路与处理器相连接。存储器也可以和处理器集成在一起。
可选的，本发明实施例中的计算机执行指令也可以称之为应用程序代码，本发明实施例对此不作具体限定。
在具体实现中，作为一种实施例，如图7所示，处理器可以包括一个或多个CPU，如图7中的CPU0和CPU1。
在具体实现中，作为一种实施例，如图7所示，终端设备可以包括多个处理器，如图7中的处理器。这些处理器中的每一个可以是一个单核处理器，也可以是一个多核处理器。
本发明实施例可以根据上述方法示例进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
本说明书中的处理器还可以具有存储器的功能。存储器用于存储执行本发明方案的计算机执行指令，并由处理器来控制执行。处理器用于执行存储器中存储的计算机执行指令，从而实现本发明实施例提供的方法。
可选的，本发明实施例中的计算机执行指令也可以称之为应用程序代码，本发明实施例对此不作具体限定。
一种可能的实现方式中，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指令，当指令被运行时，用于实现上述实施例中的方法。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种火箭发动机喷管型面优化方法，其特征在于，方法包括：
获取预先设定的液体火箭发动机喷管的边界条件；
基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量；
基于喷管型面样本设计变量，构建喷管二维模型；
利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；
基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。
2.根据权利要求1所述的火箭发动机喷管型面优化方法，其特征在于，所述基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量，具体包括：
根据所述边界条件，构建CFD算例；所述边界条件至少包括：喷管内燃气物性参数、喷管喉部直径、出口直径、喷管轴向长度、喷管进出口温度以及喷管压力；
基于构建的CFD算例，建立喷管初始网格结构，并分析喷管流场分布情况；
基于喷管初始网格结构以及喷管流场分布情况，设置型面样本设计变量。
3.根据权利要求2所述的火箭发动机喷管型面优化方法，其特征在于，所述利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型，具体包括：
根据所述喷管流场分布情况，选取对应的特征模型试验方法，选定喷管型面样本点；所述特征模型试验方法至少包括：蒙特卡洛抽样方法、拉丁超立方试验设计方法以及均匀设计的抽样方法；
根据所述边界条件，对喷管进行CFD仿真分析，生成用于训练喷管型面特征模型的样本点数据；
基于所述样本点数据，构建喷管型面特征模型。
4.根据权利要求2所述的火箭发动机喷管型面优化方法，其特征在于，所述利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型之前，还包括：
采用几何参数化生成的喷管型面作为输入条件，在原有网格文件的基础上进行网格变形，生成目标计算网格；所述目标计算网格不改变原有网格的网格扩谱；
采用所述目标计算网格对喷管进行后续的CFD仿真分析。
5.根据权利要求3所述的火箭发动机喷管型面优化方法，其特征在于，所述基于所述样本点数据，构建喷管型面特征模型，具体包括：
选择代理模型结构；所述代理模型结构包括响应面代理模型、径向基函数代理模型和Kriging代理模型；
基于所述样本点数据，采用选择的所述代理模型结构与对应的参数训练方法进行训练建模，构建喷管型面特征模型。
6.根据权利要求3所述的火箭发动机喷管型面优化方法，其特征在于，基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化之前，还包括：
采用样本点数据中的测试样本点，基于模型校验方法对构建完成的喷管型面特征模型进行误差校验，最终输出的喷管型面特征模型是采用所有CFD仿真得到的样本点数据构建得到的；所述模型校验方法至少包括最大相对误差法、平均相对误差法、均方根误差法以及相关系数法。
7.根据权利要求1所述的火箭发动机喷管型面优化方法，其特征在于，所述基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化，具体包括：
将所述喷管二维模型与所述喷管型面特征模型进行结合，采用喷管优化算法对喷管型面进行优化；所述喷管优化算法至少包括遗传算法以及粒子群优化算法。
8.一种火箭发动机喷管型面优化装置，其特征在于，装置包括：
边界条件获取模块，用于获取预先设定的液体火箭发动机喷管的边界条件；
喷管型面样本设计变量设置模块，用于基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量；
喷管二维模型构建模块，用于基于喷管型面样本设计变量，构建喷管二维模型；
喷管型面特征模型构建模块，用于利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；
喷管型面优化模块，用于基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。
9.一种火箭发动机喷管型面优化设备，其特征在于，设备包括：
通信单元/通信接口，用于获取预先设定的液体火箭发动机喷管的边界条件；
处理单元/处理器，用于基于所述边界条件，设置所述液体火箭发动机的喷管型面样本设计变量；
基于喷管型面样本设计变量，构建喷管二维模型；
利用二维网格自动变形生成技术，获取样本点数据，构建喷管型面特征模型；
基于所述喷管二维模型与所述喷管型面特征模型，实现针对喷管型面的优化。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，当所述指令被运行时，实现权利要求1～7任一项所述的火箭发动机喷管型面优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310330017.2A CN116361917A (zh) | 2023-03-30 | 2023-03-30 | 一种火箭发动机喷管型面优化方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310330017.2A CN116361917A (zh) | 2023-03-30 | 2023-03-30 | 一种火箭发动机喷管型面优化方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116361917A true CN116361917A (zh) | 2023-06-30 |
Family
ID=86930168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310330017.2A Pending CN116361917A (zh) | 2023-03-30 | 2023-03-30 | 一种火箭发动机喷管型面优化方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116361917A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118211287A (zh) * | 2024-05-21 | 2024-06-18 | 西安现代控制技术研究所 | 适用于复合结构喷管的热结构评估与优化模型构建方法 |
-
2023
- 2023-03-30 CN CN202310330017.2A patent/CN116361917A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118211287A (zh) * | 2024-05-21 | 2024-06-18 | 西安现代控制技术研究所 | 适用于复合结构喷管的热结构评估与优化模型构建方法 |
| CN118211287B (zh) * | 2024-05-21 | 2024-08-13 | 西安现代控制技术研究所 | 适用于复合结构喷管的热结构评估与优化模型构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
| US20060230018A1 (en) | Mahalanobis distance genetic algorithm (MDGA) method and system | |
| US20060229852A1 (en) | Zeta statistic process method and system | |
| CN110610225A (zh) | 一种基于kriging代理模型加点策略的多目标粒子群优化算法 | |
| CN110110434B (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
| CN116384238A (zh) | 一种发动机离心泵仿真方法、装置及设备 | |
| CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
| CN114692507B (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
| CN116361917A (zh) | 一种火箭发动机喷管型面优化方法、装置及设备 | |
| CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
| CN112949211A (zh) | 发动机模型的优化方法、装置、计算机设备及存储介质 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN113762370A (zh) | 一种结合高斯随机场的深度网络集合生成方法 | |
| Tucci et al. | Adaptive FIR neural model for centroid learning in self-organizing maps | |
| CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
| CN115620808A (zh) | 基于改进Cox模型的癌症基因预后筛选方法及系统 | |
| Faqih et al. | Multi-Step Ahead Prediction of Lorenz's Chaotic System Using SOM ELM-RBFNN | |
| CN110459266B (zh) | Snp致病因素与疾病关联关系模型建立方法 | |
| CN110020725B (zh) | 一种服务于武器装备体系作战仿真的试验设计方法 | |
| Liao et al. | Multiobjective design of equivalent accelerated life testing plans | |
| CN118569146B (zh) | 一种离心泵优化方法 | |
| Bogoclu et al. | Reliability analysis of non-linear and multimodal limit state functions using adaptive Kriging | |
| CN113988185B (zh) | 数据处理方法及相关装置 | |
| CN118839625A (zh) | 一种离心泵深度学习优化方法 | |
| CN117457110A (zh) | 蛋白质溶解度预测方法、计算机设备及计算机存储介质 |
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 |