CN116644524A - 基于pinn的高超声速内转式进气道流场重构方法及系统 - Google Patents
基于pinn的高超声速内转式进气道流场重构方法及系统 Download PDFInfo
- Publication number
- CN116644524A CN116644524A CN202310931680.8A CN202310931680A CN116644524A CN 116644524 A CN116644524 A CN 116644524A CN 202310931680 A CN202310931680 A CN 202310931680A CN 116644524 A CN116644524 A CN 116644524A
- Authority
- CN
- China
- Prior art keywords
- flow field
- air inlet
- inlet channel
- data
- pinn
- 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 32
- 238000013461 design Methods 0.000 claims abstract description 108
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 47
- 238000005070 sampling Methods 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- G06F30/27—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
- 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
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
Abstract
本发明公开了一种基于PINN的高超声速内转式进气道流场重构方法及系统,其包括步骤获取进气道设计的设计变量参数,并将其输入已训练的PINN模型得到进气道的流场数据和性能参数;采用进气道的性能参数作为多目标优化算法的目标函数,使用多目标优化算法得到进气道性能参数的Pareto最优解集;将Pareto最优解集中的设计变量输入已训练的PINN模型,得到进气道的流场数据和性能参数;采用步骤S3中流场数据中的最优流场作为进气道设计的基准流场,之后选取进气道的出口型线,通过流线追踪生成内转式进气道。
Description
技术领域
本发明涉及进气道重构技术,具体涉及一种基于PINN的高超声速内转式进气道流场重构方法及系统。
背景技术
高超声速飞行器具有突防成功率高、生存能力强等优点,是实现全球范围内快速远程民用运输、可突防远程快速打击以及近地轨道空间运输等的重要载体。超燃冲压发动机作为超声速飞行器的推进装置,在效率、机动性和安全性方面都有很大的优势。进气道是超燃冲压发动机最上游的部件,对发动机内部流场起着至关重要的作用,进气道必须以尽可能小的摩擦阻力损失、换热损失和激波引起的损失压缩气流,供给燃烧室尽可能均匀的气流,设计的优劣对发动机的整体性能具有显著影响。基于流线追踪的内转式进气道具有高效率、小湿面积以及一体化方面的优势被广泛应用。
现有的内转式进气道设计方法主要包括三方面,一是确定基准流场,二是给定出口型线,三是进行流线追踪。基准流场的流动特性和行为对于流线跟踪进气道的有效设计尤为重要。现有的方法主要是先根据激波关系式等设计程序获得基准流场,再使用流线追踪等技术获得内转式进气道三维构型。CFD数值模拟技术对不同构型进气道进行流场计算,从而得到不同构型进气道的流场特征。但是CFD需要大量的计算时间成本,地面风洞试验无法覆盖全部流动状态流场数据的获取,且获取数据所需费用昂贵。
在流体科学与工程领域,流场快速预测是一种低成本、高保真度评估方法预测建模方法。得益于深度神经网络的飞速发展被广泛用于流体力学领域,利用深度神经网络强大的非线性拟合能力可实现流场的快速预测和重构。然而,传统的神经网络结构是基于纯数据驱动,这导致设计时需要大量高质量的数据对模型进行训练,流场在非线性较强区域如湍流边界层等重构精度不高,且泛化性弱。
发明内容
针对现有技术中的上述不足,本发明提供的基于PINN的高超声速内转式进气道流场重构方法及系统解决了CFD数值模拟进行进气道设计周期长的问题。
为了达到上述发明目的,本发明采用的技术方案为:
第一方面,提供一种基于PINN的高超声速内转式进气道流场重构方法,其包括步骤:
S1、获取进气道设计的设计变量参数,并将其输入已训练的PINN模型得到进气道的流场数据和性能参数;
S2、采用进气道的性能参数作为多目标优化算法的目标函数,使用多目标优化算法得到进气道性能参数的Pareto最优解集;
S3、将Pareto最优解集中的设计变量输入已训练的PINN模型,得到进气道的流场数据和性能参数;
S4、采用步骤S3中流场数据中的最优流场作为进气道设计的基准流场,之后选取进气道的出口型线,通过流线追踪生成内转式进气道。
进一步地,所述PINN模型的训练方法包括:
S11、在进气道设计变量的设计范围内进行拉丁超立方抽样,得到设计变量空间中均匀分布的设计变量数据集;
S12、根据设计变量数据集,生成不同的进气道曲线,并基于进气道曲线绘制流场模拟计算所需的计算网格;
S13、将计算网格导入流场模拟软件,构建7马赫条件下进气道不同设计变量的流场数据集;
S14、根据流场数据集中的流场数据,计算进气道的性能参数,并采用流场数据和性能参数作为训练PINN模型的标签数据;
S15、采用拉丁超立方采样在整个流场区域内随机采样预设采样数量的网格点,将流场数据集和预设采样数量的网格点作为数据集;
S16、随机抽取数据集中80%的数据作为训练集,其余数据作为测试集,采用训练集和测试集对PINN模型进行训练,得到已训练的PINN模型。
上述技术方案的有益效果为:本方案使用拉丁超立方抽样,能够获得更加均匀的样本集。使用均匀的样本集,可以让所训练的模型在整个样本空间都能进行较准确的预测,使模型具有更高的可靠性与准确性。
进一步地,采用训练集和测试集对PINN模型进行训练的方法包括:
A1、将训练集依次输入两个FC全连接层,得到一维的特性图,并采用view模块将一维的特性图转换为二维矩阵向量;
A2、将二维矩阵向量输入到第一卷积层得到一层深度特征,并经过第一池化层得到第一次下采样特征层;
A3、将第一次下采样特征层输入到第二卷积层得到第二层深度特征,之后输入到第二池化层得到第二次下采样特征层;
A4、将第二次下采样特征层输入到第三卷积层得到第三层深度特征,之后输入到第三池化层得到第三次下采样特征层;
A5、将第三次下采样特征层输入到第四卷积层得到第四层深度特征,并输入到第四池化层得到第四次下采样特征层;
A6、将第四次下采样特征层输入第一亚像素卷积层得到第一上采样特征层,并将第四层深度特征输入第一多头注意力机制得到的第一注意力特征图;
A7、将第一注意力特征图与第一上采样特征层进行堆叠,得到第一融合特征,再经过第二亚像素卷积层得到第二上采样特征层;
A8、将第三层深度特征输入第二多头注意力机制得到的第二注意力特征图,将第二注意力特征图与第二上采样特征进行堆叠;
A9、将步骤A8的堆叠信息经过第三亚像素卷积层得到第三上采样特征层,并将第二层深度特征层与第三上采样特征层进行堆叠;
A10、将步骤A9的堆叠信息输入第四亚像素卷积层得到第四上采样特征层;将第四层深度特征与第一上采样特征层进行堆叠,之后采用第五层卷积输出预测结果;
A11、将预测结果与标签数据进行均方误差求解,同时将预测结果输入物理机理的偏微分方程中,对偏微分方程求自均方误差;
A12、将自均方误差嵌入到标签数据的均方误差中对PINN模型进行优化,当均方误差小于预设值或迭代次数等于预设迭代次数,完成PINN模型训练。
上述技术方案的有益效果为:本方案通过添加注意力机制,从通道和空间两个角度提取显著特征,降低数据冗余度;利用压缩像素层,以通道特征补充空间特征,防止有效特征信息丢失。
进一步地,所述物理机理的偏微分方程的计算公式为:
其中,G、H分别为x方向,y方向的无粘通量;w为z方向的速度场;p total、p static分别为静压和总压;M为进口马赫数;γ为空气的比热比,ρ为密度场,q为压力场,μ为x方向速度场,v为y方向速度场,E为总内能;F为欧拉方程;L为边界条件。
上述技术方案的有益效果为:本方案以正则化的形式引入表征流场流动特征的欧拉方程,为模型提供隐式的先验知识,降低模型对数据的依赖性,可以提升小样本数据条件下模型重构的性能。
进一步地,所述PINN模型的损失函数为:
,/>
,/>
其中,loss1为预测结果与标签数据之间的均方误差损失;loss2为自均方误差损失;loss3为边界条件的自均方误差损失;X、Y分别为流场模拟软件计算获取的流场和PINN模型预测输出的流场;为损失函数;i为当前迭代次数,1≤i≤m,m为迭代总次数。
上述技术方案的有益效果为:本方案以物理信息作为损失函数的一部分,使模型重构的结果满足物理条件的约束,为模型提供隐式的先验知识,降低模型对数据的依赖性,提升小样本数据条件下模型重构的性能。
进一步地,步骤S11进一步包括:
S111、根据所需数据集数量,选取一个进气道设计变量的设计范围,并对其进行n等分,在每个区间内根据均匀分布随机产生一个数,得到n个随机数;
S112、将设计变量的n个随机数的顺序打乱;
S113、对其余的进气道设计变量执行步骤S111和步骤S113,得到若干组数据,每组有n个数据;
S114、随机抽取每组数据中的一个数据,构成一个随机组合,并删除每组数据中已选取的数据;
S115、当每组数据中的数据不为空时,返回步骤S114,当每组数据中的数据为空时,采用所有的随机组合构成设计变量数据集。
上述技术方案的有益效果为:将样本空间进行分区域抽样,可以在样本空间内获得均匀的样本集,提高训练样本集的质量,从而训练更准确的模型。
进一步地,所述采用拉丁超立方采样在整个流场区域内随机采样预设采样数量的网格点进一步包括:
确定残差点的预设采样数量S,将整个流场区域内的数据划分为N个子区域;
在每个子区域内随机采样个残差点,将获取的所有残差点进行拼接,拼接时按照空间坐标x,y的升序以向量的形式进行合并。
上述技术方案的有益效果为:采用拉丁超立方抽样获取均匀分布的数据,可以确保数据极大程度的涵盖不同局部区域的特征,提升重构流场的全局特征重建性能。
进一步地,所述步骤S4进一步包括:
S41、采用步骤S3中流场数据中的最优流场作为进气道设计的基准流场,之后选取进气道的出口型线;
S42、根据出口型线到基准流场出口轴心点的距离,选取一组流线的起始点;
S43、在基准流场中对每个起始点沿速度切线方向进行流线追踪,得到与起始点对应的一条流线坐标参数;
S44、根据起始点与基准流场出口轴心点固定径向方向的夹角,将流线坐标参数分别旋转到对应位置,生成内转式进气道。
上述技术方案的有益效果为:使用流线追踪设计三维进气道,能最大程度保留基准流场中优秀的流动特性,拥有更小的湿面积,更高的压缩效率。
第二方面,提供一种基于PINN的高超声速内转式进气道流场重构系统,其包括:
第一预测模块,用于获取进气道设计的设计变量参数,并将其输入已训练的PINN模型得到进气道的流场数据和性能参数;
性能参数寻优模块,用于采用进气道的性能参数作为多目标优化算法的目标函数,使用多目标优化算法得到进气道性能参数的Pareto最优解集;
第二预测模块,用于将Pareto最优解集中的设计变量输入已训练的PINN模型,得到进气道的流场数据和性能参数;
进气道重构模块,用于采用流场数据中的最优流场作为进气道设计的基准流场,之后选取进气道的出口型线,通过流线追踪生成内转式进气道。
进一步地,对第一预测模块中嵌入的PINN模型进行训练的装置包括:
设计变量数据集构建模块,用于在进气道设计变量的设计范围内进行拉丁超立方抽样,得到设计变量空间中均匀分布的设计变量数据集;
网格生成模块,用于根据设计变量数据集,生成不同的进气道曲线,并基于进气道曲线绘制流场模拟计算所需的计算网格;
流场数据集构建模块,用于将计算网格导入流场模拟软件,构建7马赫条件下进气道不同设计变量的流场数据集;
性能参数获取模块,用于根据流场数据集中的流场数据,计算进气道的性能参数,并采用流场数据和性能参数作为训练PINN模型的标签数据;
网格点生成模块,用于采用拉丁超立方采样在整个流场区域内随机采样预设采样数量的网格点,将流场数据集和预设采样数量的网格点作为数据集;
训练模块,用于随机抽取数据集中的80%的数据作为训练集,其余数据作为测试集,采用训练集和测试集对PINN模型进行训练,得到已训练的PINN模型。
与现有技术相比,本发明的有益效果是:本方案提供的重构方法取缔了原本进气道设计需要绘制计算网格,再使用数值模拟软件进行计算最后计算进气道性能;本方案基于PINN模型和多目标优化算法可以直接根据设计变量获得进气道的流场数据与性能参数,以此在进行进气道重构,提升进气道设计效率,缩短进气道设计所需时间。
在进气道流场重构中,利用基于物理信息约束的神经网络建立进气道设计变量与输出流场之间的非线性特征映射关系,其中物理信息约束包括表征定常无黏流体流动特征的物理机理的偏微分方程与边界条件约束,为PINN模型提供更丰富的特征信息;利用亚像素卷积层代替上采样池化层,亚像素卷积层将各通道融合后,以通道数来填补图像尺寸,减少特征信息的丢失;采用多头注意力机制提升模型的全局特征提取能力,增强模型的非线性拟合性能。
附图说明
图1为基于PINN的高超声速内转式进气道流场重构方法的流程图。
图2为基于进气道设计变量生成的进气道曲线图。
图3为PINN模型的网络结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
参考图1,图1示出了基于PINN的高超声速内转式进气道流场重构方法的流程图;该方法S包括步骤S1至步骤S4。
在步骤S1中,获取进气道设计的设计变量参数,并将其输入已训练的PINN模型得到进气道的流场数据和性能参数;性能参数至少包括阻力、压缩效率和压缩比;流场至少包括压力场、密度场和速度场。
在本发明的一个实施例中,所述PINN模型的训练方法包括:
S11、在进气道设计变量的设计范围内进行拉丁超立方抽样,得到设计变量空间中均匀分布的设计变量数据集;
在本方案中,进气道的设计变量包括进气道长度、进气道喉道高度、前缘方向角度、前缘矢量长度、中间控制点轴向位置、中间控制点径向高度、进气道喉道位置前向角度、进气道喉道位置前向矢量长度、中间控制点前向角度、中间控制点前向矢量长度、中间控制点后向角度和/或中间控制点后向矢量长度。
实施时,本方案优选步骤S11进一步包括:
S111、根据所需数据集数量,选取一个进气道设计变量的设计范围,并对其进行n等分,在每个区间内根据均匀分布随机产生一个数,得到n个随机数;
S112、将设计变量的n个随机数的顺序打乱;
S113、对其余的进气道设计变量执行步骤S111和步骤S113,得到若干组数据,每组有n个数据;
S114、随机抽取每组数据中的一个数据,构成一个随机组合,并删除每组数据中已选取的数据;
S115、当每组数据中的数据不为空时,返回步骤S114,当每组数据中的数据为空时,采用所有的随机组合构成设计变量数据集。
S12、根据设计变量数据集,生成不同的进气道曲线,并基于进气道曲线绘制流场模拟计算所需的计算网格;每一个随机组合对应于一条进气道曲线,进气道曲线图可以参考图2。
S13、将计算网格导入流场模拟软件,构建7马赫条件下进气道不同设计变量的流场数据集;
S14、根据流场数据集中的流场数据,计算进气道的性能参数,并采用流场数据和性能参数作为训练PINN模型的标签数据;
S15、采用拉丁超立方采样在整个流场区域内随机采样预设采样数量的网格点:
确定残差点的预设采样数量S,将整个流场区域内的数据划分为N个子区域;
在每个子区域内随机采样个残差点,将获取的所有残差点进行拼接,拼接时按照空间坐标x,y的升序以向量的形式进行合并。
之后将流场数据集和预设采样数量的网格点作为数据集。
S16、随机抽取数据集中80%的数据作为训练集,其余数据作为测试集,采用训练集和测试集对PINN模型进行训练,得到已训练的PINN模型。
在步骤S2中,采用进气道的性能参数作为多目标优化算法的目标函数,使用多目标优化算法得到进气道性能参数的Pareto最优解集;
在步骤S3中,将Pareto最优解集中的设计变量输入已训练的PINN模型,得到进气道的流场数据和性能参数;
在步骤S4中,采用步骤S3中流场数据中的最优流场作为进气道设计的基准流场,之后选取进气道的出口型线,通过流线追踪生成内转式进气道。
实施时,本方案优选步骤S4进一步包括:
S41、采用步骤S3中流场数据中的最优流场作为进气道设计的基准流场,之后选取进气道的出口型线;
S42、根据出口型线到基准流场出口轴心点的距离,选取一组流线的起始点;
S43、在基准流场中对每个起始点沿速度切线方向进行流线追踪,得到与起始点对应的一条流线坐标参数;
S44、根据起始点与基准流场出口轴心点固定径向方向的夹角,将流线坐标参数分别旋转到对应位置,生成内转式进气道。
如图3所示,本方案的PINN模型由两部分组成,第一部分是神经网络部分,全连接层,池化,卷积等以U形结构组成。U形结构前面属于编码网络,U形结构后面属于解码网络。
在本发明的一个实施例中,采用训练集和测试集对PINN模型进行训练的方法包括:
A1、将训练集依次输入两个FC全连接层,得到一维的特性图,并采用view模块将一维的特性图转换为二维矩阵向量;
A2、将二维矩阵向量输入到第一卷积层得到一层深度特征,并经过第一池化层得到第一次下采样特征层;
A3、将第一次下采样特征层输入到第二卷积层得到第二层深度特征,之后输入到第二池化层得到第二次下采样特征层;
A4、将第二次下采样特征层输入到第三卷积层得到第三层深度特征,之后输入到第三池化层得到第三次下采样特征层;
A5、将第三次下采样特征层输入到第四卷积层得到第四层深度特征,并输入到第四池化层得到第四次下采样特征层;
A6、将第四次下采样特征层输入第一亚像素卷积层得到第一上采样特征层,并将第四层深度特征输入第一多头注意力机制得到的第一注意力特征图;
A7、将第一注意力特征图与第一上采样特征层进行堆叠,得到第一融合特征,再经过第二亚像素卷积层得到第二上采样特征层;
A8、将第三层深度特征输入第二多头注意力机制得到的第二注意力特征图,将第二注意力特征图与第二上采样特征进行堆叠;
A9、将步骤A8的堆叠信息经过第三亚像素卷积层得到第三上采样特征层,并将第二层深度特征层与第三上采样特征层进行堆叠;
A10、将步骤A9的堆叠信息输入第四亚像素卷积层得到第四上采样特征层;将第四层深度特征与第一上采样特征层进行堆叠,之后采用第五层卷积输出预测结果;
A11、将预测结果与标签数据进行均方误差求解,同时将预测结果输入物理机理的偏微分方程中,对偏微分方程求自均方误差;
其中,所述物理机理的偏微分方程的计算公式为:
其中,G、H分别为x方向,y方向的无粘通量;w为z方向的速度场;p total、p static分别为静压和总压;M为进口马赫数;γ为空气的比热比,ρ为密度场,q为压力场,μ为x方向速度场,v为y方向速度场,E为总内能;F为欧拉方程;L为边界条件。
A12、将自均方误差嵌入到标签数据的均方误差中对PINN模型进行优化,当均方误差小于预设值或迭代次数等于预设迭代次数,完成PINN模型训练。
PINN在训练过程中,解码网络采用卷积进行特征提取,可以减少特征信息的丢失,利用亚像素卷积层(sub-pixel convolutional layer)代替上采样池化层,亚像素卷积层将各通道融合后,以通道数来填补图像尺寸,可以将提取的特征进行充分利用。
将编码网络每层对应的下采样后的特征图与解码网络每层上采样后的特征图进行融合,类似跳跃连接方式,可以将不同深度的特征信息进行拼接,以此降低模型过拟合风险。PINN模型在编码网络与解码网络之间引入多头注意力机制可以提升模型的全局特征提取能力,增强模型的非线性拟合性能。
本方案的PINN模型的损失函数为:
,/>
,/>
其中,loss1为预测结果与标签数据之间的均方误差损失;loss2为自均方误差损失;loss3为边界条件的自均方误差损失;X、Y分别为流场模拟软件计算获取的流场和PINN模型预测输出的流场;为损失函数;i为当前迭代次数,1≤i≤m,m为迭代总次数;F为欧拉方程;L为边界条件;F-0表示用F的值减去0,目的是使F的值趋近于0,L-0表示用F的值减去0,目的是使L的值趋近于0。
本方案还提供一种基于PINN的高超声速内转式进气道流场重构系统,其包括:
第一预测模块,用于获取进气道设计的设计变量参数,并将其输入已训练的PINN模型得到进气道的流场数据和性能参数;
性能参数寻优模块,用于采用进气道的性能参数作为多目标优化算法的目标函数,使用多目标优化算法得到进气道性能参数的Pareto最优解集;
第二预测模块,用于将Pareto最优解集中的设计变量输入已训练的PINN模型,得到进气道的流场数据和性能参数;
进气道重构模块,用于采用流场数据中的最优流场作为进气道设计的基准流场,之后选取进气道的出口型线,通过流线追踪生成内转式进气道。
实施时,本方案优选对第一预测模块中嵌入的PINN模型进行训练的装置包括:
设计变量数据集构建模块,用于在进气道设计变量的设计范围内进行拉丁超立方抽样,得到设计变量空间中均匀分布的设计变量数据集;
网格生成模块,用于根据设计变量数据集,生成不同的进气道曲线,并基于进气道曲线绘制流场模拟计算所需的计算网格;
流场数据集构建模块,用于将计算网格导入流场模拟软件,构建7马赫条件下进气道不同设计变量的流场数据集;
性能参数获取模块,用于根据流场数据集中的流场数据,计算进气道的性能参数,并采用流场数据和性能参数作为训练PINN模型的标签数据;
网格点生成模块,用于采用拉丁超立方采样在整个流场区域内随机采样预设采样数量的网格点,将流场数据集和预设采样数量的网格点作为数据集;
训练模块,用于随机抽取数据集中的80%的数据作为训练集,其余数据作为测试集,采用训练集和测试集对PINN模型进行训练,得到已训练的PINN模型。
Claims (10)
1.基于PINN的高超声速内转式进气道流场重构方法,其特征在于,包括步骤:
S1、获取进气道设计的设计变量参数,并将其输入已训练的PINN模型得到进气道的流场数据和性能参数;
S2、采用进气道的性能参数作为多目标优化算法的目标函数,使用多目标优化算法得到进气道性能参数的Pareto最优解集;
S3、将Pareto最优解集中的设计变量输入已训练的PINN模型,得到进气道的流场数据和性能参数;
S4、采用步骤S3中流场数据中的最优流场作为进气道设计的基准流场,之后选取进气道的出口型线,通过流线追踪生成内转式进气道。
2.根据权利要求1所述的基于PINN的高超声速内转式进气道流场重构方法,其特征在于,所述PINN模型的训练方法包括:
S11、在进气道设计变量的设计范围内进行拉丁超立方抽样,得到设计变量空间中均匀分布的设计变量数据集;
S12、根据设计变量数据集,生成不同的进气道曲线,并基于进气道曲线绘制流场模拟计算所需的计算网格;
S13、将计算网格导入流场模拟软件,构建7马赫条件下进气道不同设计变量的流场数据集;
S14、根据流场数据集中的流场数据,计算进气道的性能参数,并采用流场数据和性能参数作为训练PINN模型的标签数据;
S15、采用拉丁超立方采样在整个流场区域内随机采样预设采样数量的网格点,将流场数据集和预设采样数量的网格点作为数据集;
S16、随机抽取数据集中80%的数据作为训练集,其余数据作为测试集,采用训练集和测试集对PINN模型进行训练,得到已训练的PINN模型。
3.根据权利要求2所述的基于PINN的高超声速内转式进气道流场重构方法,其特征在于,采用训练集和测试集对PINN模型进行训练的方法包括:
A1、将训练集依次输入两个FC全连接层,得到一维的特性图,并采用view模块将一维的特性图转换为二维矩阵向量;
A2、将二维矩阵向量输入到第一卷积层得到一层深度特征,并经过第一池化层得到第一次下采样特征层;
A3、将第一次下采样特征层输入到第二卷积层得到第二层深度特征,之后输入到第二池化层得到第二次下采样特征层;
A4、将第二次下采样特征层输入到第三卷积层得到第三层深度特征,之后输入到第三池化层得到第三次下采样特征层;
A5、将第三次下采样特征层输入到第四卷积层得到第四层深度特征,并输入到第四池化层得到第四次下采样特征层;
A6、将第四次下采样特征层输入第一亚像素卷积层得到第一上采样特征层,并将第四层深度特征输入第一多头注意力机制得到的第一注意力特征图;
A7、将第一注意力特征图与第一上采样特征层进行堆叠,得到第一融合特征,再经过第二亚像素卷积层得到第二上采样特征层;
A8、将第三层深度特征输入第二多头注意力机制得到的第二注意力特征图,将第二注意力特征图与第二上采样特征进行堆叠;
A9、将步骤A8的堆叠信息经过第三亚像素卷积层得到第三上采样特征层,并将第二层深度特征层与第三上采样特征层进行堆叠;
A10、将步骤A9的堆叠信息输入第四亚像素卷积层得到第四上采样特征层;将第四层深度特征与第一上采样特征层进行堆叠,之后采用第五层卷积输出预测结果;
A11、将预测结果与标签数据进行均方误差求解,同时将预测结果输入物理机理的偏微分方程中,对偏微分方程求自均方误差;
A12、将自均方误差嵌入到标签数据的均方误差中对PINN模型进行优化,当均方误差小于预设值或迭代次数等于预设迭代次数,完成PINN模型训练。
4.根据权利要求3所述的基于PINN的高超声速内转式进气道流场重构方法,其特征在于,所述物理机理的偏微分方程的计算公式为:
其中,G、H分别为x方向,y方向的无粘通量;w为z方向的速度场;p total、p static分别为静压和总压;M为进口马赫数;γ为空气的比热比,ρ为密度场,为压力场,μ为x方向速度场,v为y方向速度场,E为总内能;F为欧拉方程;L为边界条件。
5.根据权利要求3所述的基于PINN的高超声速内转式进气道流场重构方法,其特征在于,所述PINN模型的损失函数为:
,/>
,/>
其中,loss1为预测结果与标签数据之间的均方误差损失;loss2为自均方误差损失;loss3为边界条件的自均方误差损失;X、Y分别为流场模拟软件计算获取的流场和PINN模型预测输出的流场;为损失函数;i为当前迭代次数,1≤i≤m,m为迭代总次数;F为欧拉方程;L为边界条件。
6.根据权利要求2所述的基于PINN的高超声速内转式进气道流场重构方法,其特征在于,步骤S11进一步包括:
S111、根据所需数据集数量,选取一个进气道设计变量的设计范围,并对其进行 n等分,在每个区间内根据均匀分布随机产生一个数,得到n个随机数;
S112、将设计变量的n个随机数的顺序打乱;
S113、对其余的进气道设计变量执行步骤S111和步骤S113,得到若干组数据,每组有n个数据;
S114、随机抽取每组数据中的一个数据,构成一个随机组合,并删除每组数据中已选取的数据;
S115、当每组数据中的数据不为空时,返回步骤S114,当每组数据中的数据为空时,采用所有的随机组合构成设计变量数据集。
7.根据权利要求2所述的基于PINN的高超声速内转式进气道流场重构方法,其特征在于,所述采用拉丁超立方采样在整个流场区域内随机采样预设采样数量的网格点进一步包括:
确定残差点的预设采样数量S,将整个流场区域内的数据划分为N个子区域;
在每个子区域内随机采样个残差点,将获取的所有残差点进行拼接,拼接时按照空间坐标x,y的升序以向量的形式进行合并。
8.根据权利要求1-7任一所述的基于PINN的高超声速内转式进气道流场重构方法,其特征在于,所述步骤S4进一步包括:
S41、采用步骤S3中流场数据中的最优流场作为进气道设计的基准流场,之后选取进气道的出口型线;
S42、根据出口型线到基准流场出口轴心点的距离,选取一组流线的起始点;
S43、在基准流场中对每个起始点沿速度切线方向进行流线追踪,得到与起始点对应的一条流线坐标参数;
S44、根据起始点与基准流场出口轴心点固定径向方向的夹角,将流线坐标参数分别旋转到对应位置,生成内转式进气道。
9.基于PINN的高超声速内转式进气道流场重构系统,其特征在于,包括:
第一预测模块,用于获取进气道设计的设计变量参数,并将其输入已训练的PINN模型得到进气道的流场数据和性能参数;
性能参数寻优模块,用于采用进气道的性能参数作为多目标优化算法的目标函数,使用多目标优化算法得到进气道性能参数的Pareto最优解集;
第二预测模块,用于将Pareto最优解集中的设计变量输入已训练的PINN模型,得到进气道的流场数据和性能参数;
进气道重构模块,用于采用流场数据中的最优流场作为进气道设计的基准流场,之后选取进气道的出口型线,通过流线追踪生成内转式进气道。
10.根据权利要求9所述的基于PINN的高超声速内转式进气道流场重构系统,其特征在于,对第一预测模块中嵌入的PINN模型进行训练的装置包括:
设计变量数据集构建模块,用于在进气道设计变量的设计范围内进行拉丁超立方抽样,得到设计变量空间中均匀分布的设计变量数据集;
网格生成模块,用于根据设计变量数据集,生成不同的进气道曲线,并基于进气道曲线绘制流场模拟计算所需的计算网格;
流场数据集构建模块,用于将计算网格导入流场模拟软件,构建7马赫条件下进气道不同设计变量的流场数据集;
性能参数获取模块,用于根据流场数据集中的流场数据,计算进气道的性能参数,并采用流场数据和性能参数作为训练PINN模型的标签数据;
网格点生成模块,用于采用拉丁超立方采样在整个流场区域内随机采样预设采样数量的网格点,将流场数据集和预设采样数量的网格点作为数据集;
训练模块,用于随机抽取数据集中的80%的数据作为训练集,其余数据作为测试集,采用训练集和测试集对PINN模型进行训练,得到已训练的PINN模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310931680.8A CN116644524B (zh) | 2023-07-27 | 2023-07-27 | 基于pinn的高超声速内转式进气道流场重构方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310931680.8A CN116644524B (zh) | 2023-07-27 | 2023-07-27 | 基于pinn的高超声速内转式进气道流场重构方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116644524A true CN116644524A (zh) | 2023-08-25 |
CN116644524B CN116644524B (zh) | 2023-10-03 |
Family
ID=87643846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310931680.8A Active CN116644524B (zh) | 2023-07-27 | 2023-07-27 | 基于pinn的高超声速内转式进气道流场重构方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644524B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282448A (zh) * | 2021-11-16 | 2022-04-05 | 北京百度网讯科技有限公司 | 流场信息获取方法、模型训练方法、装置及电子设备 |
CN114913327A (zh) * | 2022-05-17 | 2022-08-16 | 河海大学常州校区 | 一种基于改进U-Net的下肢骨骼CT图像分割算法 |
WO2022192291A1 (en) * | 2021-03-08 | 2022-09-15 | The Johns Hopkins University | Evolutional deep neural networks |
CN115758911A (zh) * | 2022-12-07 | 2023-03-07 | 中国石油大学(华东) | 融合点云残差网络和考虑滑移的流场和压力场预测方法 |
CN116127834A (zh) * | 2022-12-20 | 2023-05-16 | 中国科学院力学研究所 | 一种基于pinn神经网络的速度场测量方法 |
-
2023
- 2023-07-27 CN CN202310931680.8A patent/CN116644524B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022192291A1 (en) * | 2021-03-08 | 2022-09-15 | The Johns Hopkins University | Evolutional deep neural networks |
CN114282448A (zh) * | 2021-11-16 | 2022-04-05 | 北京百度网讯科技有限公司 | 流场信息获取方法、模型训练方法、装置及电子设备 |
CN114913327A (zh) * | 2022-05-17 | 2022-08-16 | 河海大学常州校区 | 一种基于改进U-Net的下肢骨骼CT图像分割算法 |
CN115758911A (zh) * | 2022-12-07 | 2023-03-07 | 中国石油大学(华东) | 融合点云残差网络和考虑滑移的流场和压力场预测方法 |
CN116127834A (zh) * | 2022-12-20 | 2023-05-16 | 中国科学院力学研究所 | 一种基于pinn神经网络的速度场测量方法 |
Non-Patent Citations (4)
Title |
---|
L.H. QUEIROZ 等: "Physics-Informed deep learning to predict flow fields in cyclone separators", 《DIGITAL CHEMICAL ENGINEERING》, vol. 1, pages 1 - 12 * |
Y. SUN 等: "Physics-informed Deep Learning for Flow Modelling and Aerodynamic Optimization", 《2022 IEEE SYMPOSIUM SERIES ON COMPUTATIONAL INTELLIGENCE (SSCI)》, pages 1149 - 1155 * |
尧少波 等: "融合物理的神经网络方法在流场重建中的应用", 《空气动力学学报》, vol. 40, no. 05, pages 30 - 38 * |
张伟伟 等: "智能赋能流体力学展望", 《航空学报》, vol. 42, no. 04, pages 26 - 71 * |
Also Published As
Publication number | Publication date |
---|---|
CN116644524B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Paigwar et al. | Frustum-pointpillars: A multi-stage approach for 3d object detection using rgb camera and lidar | |
CN108537742B (zh) | 一种基于生成对抗网络的遥感图像全色锐化方法 | |
Xu et al. | Multimodal cross-layer bilinear pooling for RGBT tracking | |
CN113780149A (zh) | 一种基于注意力机制的遥感图像建筑物目标高效提取方法 | |
CN115077556B (zh) | 一种基于多维度地图的无人车野战路径规划方法 | |
Mao et al. | Uasnet: Uncertainty adaptive sampling network for deep stereo matching | |
CN113838109A (zh) | 一种低重合度点云配准方法 | |
Wu et al. | Comparative analyses of current three-dimensional numerical solar wind models | |
Min et al. | Occupancy-mae: Self-supervised pre-training large-scale lidar point clouds with masked occupancy autoencoders | |
CN113378112A (zh) | 一种基于各向异性卷积的点云补全方法及装置 | |
CN115984701A (zh) | 一种基于编解码结构的多模态遥感图像语义分割方法 | |
CN116644524B (zh) | 基于pinn的高超声速内转式进气道流场重构方法及系统 | |
Li et al. | 2dsegformer: 2-d transformer model for semantic segmentation on aerial images | |
Shang et al. | Superresolution land cover mapping using a generative adversarial network | |
Wang et al. | GridNet: efficiently learning deep hierarchical representation for 3D point cloud understanding | |
Wang et al. | ARFP: A novel adaptive recursive feature pyramid for object detection in aerial images | |
Kawano et al. | Learning wasserstein isometric embedding for point clouds | |
CN114186578A (zh) | 一种基于信号分解的燃气轮机电动执行机构故障诊断方法 | |
CN115222947B (zh) | 基于全局自注意力变换网络的岩石节理分割方法和装置 | |
Chen et al. | Recovering fine details for neural implicit surface reconstruction | |
CN110046430A (zh) | 基于椭球分层大气折射的光学卫星影像精确对地定位方法 | |
CN114119615A (zh) | 一种融合空间注意力和自注意变换网络的雷达分割方法 | |
CN115713672A (zh) | 一种基于双路并行注意力机制的目标检测方法 | |
Wang et al. | Multi-scale Prototype Contrast Network for High-Resolution Aerial Imagery Semantic Segmentation | |
Akwensi et al. | PReFormer: A memory-efficient transformer for point cloud semantic segmentation |
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 |