CN117034815B - 一种基于切片的超声速无粘流动智能初场设置方法 - Google Patents

Abstract

本发明公开了一种基于切片的超声速无粘流动智能初场设置方法，该方法包括将超声速飞行器在不同状态下的流场沿来流方向切片；对每一张切片生成坐标矩阵、形状矩阵、数据流场矩阵和来流矩阵；拼接所述坐标矩阵、所述形状矩阵、所述数据流场矩阵和所述来流矩阵得到输入矩阵和标签矩阵；以所述标签矩阵作为真实值，采用融合距离权重的均方误差作为代价函数训练超声速无粘流动的初场智能预测模型；将输入矩阵输入训练后的模型获取预测初场。本发明属于流体力学和人工智能技术领域，利用深度学习提取流场的特征和规律，可以预测出更加准确的流场初始条件，提高计算结果的准确性和可靠性。

Description

一种基于切片的超声速无粘流动智能初场设置方法

技术领域

本发明属于流体力学和人工智能技术领域，尤其涉及一种基于切片的超声速无粘流动智能初场设置方法。

背景技术

在计算流场的过程中，需要给定一个初始流场。合适的初场设置对于流动计算的准确性和收敛性至关重要。如果初场设置时与最终计算得到的流场（称为终场）很接近，则只需要少量迭代求解即可满足收敛条件，反之则需要更多迭代从而增加计算时间和资源消耗，甚至导致结果不稳定或者无法收敛。因此，确定合适的初场是计算流体力学（CFD）数值模拟中值得关注的问题。

目前已有的初场设置方法主要包括基于经验和理论计算的方法。其中，基于经验的方法相对简单易行，但结果具有一定的不确定性；基于理论计算的方法通常使用更粗粒度的网格计算得到的流场插值后作为初场，或者用其他状态下计算得到的流场作为当前状态的流场，计算量较大。随着数据量不断增大，传统的数据处理方式已经无法满足需求。

发明内容

本发明的目的在于，为克服现有技术缺陷，提供了一种基于切片的超声速无粘流动智能初场设置方法,使用人工智能进行流场初值预测，一方面可以自动高效整合现有实验和仿真数据，解放人力；另一方面利用深度学习提取流场的特征和规律，可以预测出更加准确的流场初始条件，提高计算结果的准确性和可靠性，为工程设计和科学研究提供更加精准的基础数据。

本发明目的通过下述技术方案来实现：

一种基于切片的超声速无粘流动智能初场设置方法，所述方法包括：

将超声速飞行器在不同状态下的流场沿来流方向切片；

对每一张切片生成坐标矩阵、形状矩阵、数据流场矩阵和来流矩阵；

拼接所述坐标矩阵、所述形状矩阵、所述数据流场矩阵和所述来流矩阵得到输入矩阵和标签矩阵；

以所述标签矩阵作为真实值，采用融合距离权重的均方误差作为代价函数训练超声速无粘流动的初场智能预测模型；

将输入矩阵输入训练后的模型获取预测初场。

进一步的，所述将超声速飞行器在不同状态下的流场沿来流方向切片具体包括：

对高超声速飞行器外形在若干预设飞行高度、若干预设马赫数、若干预设攻角分别进行数值模拟，获得来流方向为x轴正方向的流场中的压力、密度以及笛卡尔坐标系下x、y、z方向的速度分量；

将得到的流场以d为间距场在x方向进行分割，每个流场被分割为个切片，/>为所有流场x坐标最小值中的最大值，/>为所有流场x坐标最大值中的最小值，d为预设间距。

进一步的，所述坐标矩阵为X，X内每个点都被赋值为切片的x坐标+i*d，i表示切片的序号，所述坐标矩阵为/>，X大小为/>，，/>分别表示流场在y方向的最大值和最小值，/>是预设的步长，/>,/>分别表示流场在z方向的最大值和最小值，/>是预设的步长。

进一步的，所述形状矩阵生成方式包括：

对每一张切片，生成一个形状矩阵S，S大小为, 矩阵S中的所有数据被初始化为1，根据坐标x判断壁面位置，将壁面位置以及处于壁面内位置的点设置为0。

进一步的，所述数据流场矩阵生成方式包括：

使用原始流场中的所有点的坐标构建K-D树，用于快速寻找流场全局最临近点；

对任意一个切片初始化大小为的流场矩阵/>；

使用以下方法对流场矩阵内的每项数据赋值，对切片k=K，矩阵第二维坐标为M，第三维坐标为N的5个数据赋值方法是：

使用K-D树搜索算法，获取距离点()的三个最临近点/>，/>，/>，由/>~/>得到赋值数据的公式如下所示：

；

其中，k为切片序号，原始流场中任意一点相对于点(/>)的距离为/>对应的流场压力为/>，笛卡尔坐标系下x、y、z方向的速度分量为/>，/>，/>，密度为，/>，/>，/>，/>，/>为赋值数据。

进一步的，所述来流矩阵生成方式包括：

对每一张切片，生成一个来流矩阵B，B大小为，B[0]内数据赋值为流场对应的高度，B[1]内数据赋值为流场对应的攻角，B[2]内数据赋值为流场对应的马赫数。

进一步的，所述采用融合距离权重的均方误差作为代价函数训练超声速无粘流动的初场智能预测模型具体包括：

初始化训练权重矩阵W，权重矩阵大小为，靠近壁面赋值为大值，远离壁面赋值为小值，代价函数为/>；

其中，表示预测值，/>为所述标签矩阵，使用代价函数调整网络参数，直到训练误差下降到指定阈值后固定网络参数，得到智能预测模型M。

进一步的，所述将输入矩阵输入训练后的模型获取预测初场具体包括：

根据获得的第一个坐标矩阵、形状矩阵和来流矩阵使用边界条件获取起始片；

拼接坐标矩阵，形状矩阵和来流矩阵和起始片得到输入矩阵；

将输入矩阵输入到智能预测模型M中预测获得预测流场；

再依次拼接每一个序列坐标矩阵、形状矩阵、来流矩阵和通过前一序列获得的预测切片得到每个序列对应的预测流场；

对任意流场使用预测流场对应点坐标构建K-D树，查找最临近点，使用反距离权重为原始流场网格点赋值获得预测初场。

本发明的有益效果在于：

（1）本发明使用人工智能进行流场初值预测，一方面可以自动高效整合现有实验和仿真数据，解放人力；另一方面利用深度学习提取流场的特征和规律，可以预测出更加准确的流场初始条件，提高计算结果的准确性和可靠性，为工程设计和科学研究提供更加精准的基础数据。

（2）本发明结合了超声速无粘流动传播特征，按来流方向进行切片，使用来流方向的上一切片预测下一切片的流场值，针对流场壁面附近流动规律复杂的现象，设计了一种关注壁面附近流动的神经网络代价函数。

附图说明

图1是本发明实施例提供的超声速无粘流动智能初场设置方法流程示意图；

图2是本发明实施例钝锥侧视图；

图3是本发明实施例切片形状矩阵示意图；

图4是本发明实施例智能预测模型训练流程示意图；

图5是本发明实施例智能预测模型测试流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

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。

目前已有的初场设置方法主要包括基于经验和理论计算的方法。其中，基于经验的方法相对简单易行，但结果具有一定的不确定性；基于理论计算的方法通常使用更粗粒度的网格计算得到的流场插值后作为初场，或者用其他状态下计算得到的流场作为当前状态的流场，计算量较大。随着数据量不断增大，传统的数据处理方式已经无法满足需求。

为了解决上述技术问题，提出了本发明一种基于切片的超声速无粘流动智能初场设置方法的下述各个实施例。

参照图1，如图1所示是本实施例提供的超声速无粘流动智能初场设置方法流程示意图。

该方法具体包括以下步骤：

步骤一：将超声速飞行器在不同状态下的流场沿来流方向切片。

具体地，针对已有高超声速外形在不同飞行状态下进行CFD数值模拟，计算得到对应流场。

对高超声速飞行器外形在飞行高度为{20千米，30千米，35千米，40千米，45千米，50千米，60千米}，马赫数范围为{5，10，15，20}，攻角范围为{0°，2.5°，5°，7.5°，10°，12.5°，15°，17.5°，20°}，分别进行数值模拟，获得来流方向为x轴正方向的流场中的压力、密度以及笛卡尔坐标系下三个方向的速度分量。假设在第i类飞行条件下获得的流场为，j的取值范围为{1，2，3，4，5}，表示5种需要计算的流场变量。/>到/>依次表示在第i类飞行条件下获取的密度场、x方向速度分量场、y方向速度分量场、z方向速度分量场以及压力场。

对得到的流场按照来流方向进行切片。对每个流场，定位密度场、速度场、压力场的最大值和最小值所在的坐标/>、/>。/>表示最小值坐标间的最小差值，/>表示最大值坐标间的最小差值，计算方式如下所示：

，/>；

，/>；

其中，是/>和/>中的较小值，/>是/>中的最小值。

设置计算资源可接受的切片最小阈值，能反应流场变化的最大阈值/>。

使用可以获得流场分割间距d。

为所有流场x坐标最小值中的最大值，/>为所有流场x坐标最大值中的最小值，d为预设间距。以/>为间距，将流场在x方向进行分割，/>被分割为个/>切片，切片为/>。

步骤二：对每一张切片生成坐标矩阵、形状矩阵、数据流场矩阵和来流矩阵。

对步骤一生成的每一张切片，得到各个切片的坐标矩阵：

具体地，针对每张切片，生成一个坐标矩阵X，X大小为，，/>分别表示流场在y方向的最大值和最小值，/>是人为设置的步长，/>,/>分别表示流场在z方向的最大值和最小值，/>是人为设置的步长。若当前切片为第i张切片，坐标矩阵X内每个点都被赋值为该切片的x坐标/>+i*d，/>和d是步骤一中得到的，最后得到各个切片的坐标矩阵。

对步骤一中得到的所有切片，生成各个切片的形状矩阵：

对步骤一中生成的每一张切片，生成一个形状矩阵S，S大小为，矩阵S中的所有数据被初始化为1，若当前切片为第i张切片，根据步骤二得到第i个切片的x轴坐标，根据坐标x判断壁面位置，将壁面位置以及处于壁面内位置的点设置为0。

参照图2和图3，如图2所示是本实施例钝锥侧视图，如图3所示是本实施例切片形状矩阵示意图。对于钝锥外形的飞行器，其形状矩阵S内，壁面是位于切片下缘中间的半圆，确认壁面位置关键是求得半圆半径。令r为钝锥圆台部分上底半径，R为钝锥圆台部分下底半径，H为圆台的高，/>是钝锥球头在x轴最小坐标，/>的计算公式如下所示：

使用K-D树生成数据流场矩阵：

原始流场中任意一点/>中包含该点坐标/>、该点在流场压力（/>）、速度分量（/>）、密度（/>）。使用原始流场/>中的所有点的坐标构建K-D树，用于快速寻找流场全局最临近点。对步骤一中的任意一个切片/>，初始化大小为/>的流场矩阵/>。使用以下方法对矩阵内的每项数据赋值，对切片的5个数据赋值方法是：使用K-D树搜索算法，获取/>中距离点(/>)的三个最临近点/>，/>，/>。令/>相对于点(/>)的距离为/>，对应的流场压力、速度分量、密度为/>,/>，/>，/>,/>。由/>~/>得到赋值数据/>，/>，/>，/>，/>的公式如下所示：

生成来流矩阵：

对步骤一生成的每一张切片，生成一个来流矩阵B，B大小为。B[0]内数据赋值为该流场对应的高度，B[1]内数据赋值为该流场对应的攻角，B[2]内数据赋值为该流场对应的马赫数。

步骤三：拼接坐标矩阵、形状矩阵、数据流场矩阵和来流矩阵得到输入矩阵和标签矩阵。

具体地，读取基本训练数据和流场数据。对第i张切片，将步骤二获得的坐标矩阵，形状矩阵/>，数据流场矩阵/>，来流矩阵/>，拼接起来，得到/>的输入矩阵；该输入矩阵对应的标签矩阵为形状为5/>的流场矩阵/>。需要说明的是，当i=1时，拼接的各个矩阵是/>、/>、/>和/>，其中，/>并不是根据前述步骤求得，而是根据边界条件获取。

将壁面附近的切片重复采样。若切片中第一次出现壁面的切片标号为，则读取编号为/>到/>的切片多次，其余切片读取一次。

步骤四：以标签矩阵作为真实值，采用融合距离权重的均方误差作为代价函数训练超声速无粘流动的初场智能预测模型。

具体地， 采用融合距离权重的均方误差作为代价函数训练得到超声速无粘流动初场的智能模型M。初始化训练权重矩阵W，权重矩阵大小为，与壁面靠近的部分赋值为大值，远离壁面部分赋值为小值。代价函数如下：

其中，表示预测值，/>为真实值，即前述步骤中的标签矩阵。使用代价函数调整网络参数，直到训练误差下降到指定阈值后固定网络参数，得到智能预测模型M。参照图4和图5，如图4所示是本实施例智能预测模型训练流程示意图，如图5所示是本实施例智能预测模型测试流程流程示意图。

步骤五：将输入矩阵输入训练后的模型获取预测初场。

具体地，按照前述步骤获得坐标矩阵，形状矩阵/>，来流矩阵/>，使用边界条件获取起始片/>，拼接/>得到输入矩阵/>。将/>输入到智能预测模型M中预测获得。拼接/>得到输入矩阵/>，将/>输入到智能预测模型M中预测获得/>。以此类推，得到预测切片/>。

对任意预测流场矩阵，其形状为/>，有对应坐标/>。流场矩阵/>中下标为（M，N）的矩阵点对应坐标（/>,M，N）。使用预测矩阵对应点坐标构建K-D树，查找最临近点，使用反距离权重为原始流场网格点赋值，获得预测流场/>。使用预测流场/>作为CFD计算的初场，能够有效缩短CFD计算时长。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于切片的超声速无粘流动智能初场设置方法，其特征在于，所述方法包括：

将超声速飞行器在不同状态下的流场沿来流方向切片；

对每一张切片生成坐标矩阵、形状矩阵、数据流场矩阵和来流矩阵；

拼接所述坐标矩阵、所述形状矩阵、所述数据流场矩阵和所述来流矩阵得到输入矩阵和标签矩阵；

以所述标签矩阵作为真实值，采用融合距离权重的均方误差作为代价函数训练超声速无粘流动的初场智能预测模型，具体包括：

初始化训练权重矩阵W，与壁面靠近的部分赋值为大值，远离壁面部分赋值为小值，代价函数为：；

其中，表示预测值，/>为所述标签矩阵，使用代价函数调整网络参数，直到训练误差下降到指定阈值后固定网络参数，得到智能预测模型M；

将输入矩阵输入训练后的模型获取预测初场，具体包括：

根据获得的第一个坐标矩阵、形状矩阵和来流矩阵使用边界条件获取起始片；

拼接坐标矩阵，形状矩阵和来流矩阵和起始片得到输入矩阵；

将输入矩阵输入到智能预测模型M中预测获得预测流场；

再依次拼接每一个序列坐标矩阵、形状矩阵、来流矩阵和通过前一序列获得的预测切片得到每个序列对应的预测流场；

对任意流场使用预测流场对应点坐标构建K-D树，查找最临近点，使用反距离权重为原始流场网格点赋值获得预测初场。

2.如权利要求1所述的基于切片的超声速无粘流动智能初场设置方法，其特征在于，所述将超声速飞行器在不同状态下的流场沿来流方向切片具体包括：

对高超声速飞行器外形在若干预设飞行高度、若干预设马赫数、若干预设攻角分别进行数值模拟，获得来流方向为x轴正方向的流场中的压力、密度以及笛卡尔坐标系下x、y、z方向的速度分量；

将得到的流场以d为间距场在x方向进行分割，每个流场被分割为个切片，为所有流场x坐标最小值中的最大值，/>为所有流场x坐标最大值中的最小值，d为预设间距。

3.如权利要求2所述的基于切片的超声速无粘流动智能初场设置方法，其特征在于，所述坐标矩阵为X，X内每个点都被赋值为切片的x坐标+i*d，i表示切片的序号，所述坐标矩阵为/>，X大小为/>，/>，/>分别表示流场在y方向的最大值和最小值，/>是预设的步长，,/>分别表示流场在z方向的最大值和最小值，/>是预设的步长。

4.如权利要求3所述的基于切片的超声速无粘流动智能初场设置方法，其特征在于，所述形状矩阵生成方式包括：

对每一张切片，生成一个形状矩阵S，S大小为, 矩阵S中的所有数据被初始化为1，根据坐标x判断壁面位置，将壁面位置以及处于壁面内位置的点设置为0。

5.如权利要求4所述的基于切片的超声速无粘流动智能初场设置方法，其特征在于，所述数据流场矩阵生成方式包括：

使用原始流场中的所有点的坐标构建K-D树，用于快速寻找流场全局最临近点；

对任意一个切片初始化大小为的流场矩阵/>；

使用以下方法对流场矩阵内的每项数据赋值，对切片k=K，矩阵第二维坐标为M，第三维坐标为N的5个数据赋值方法是：

使用K-D树搜索算法，获取距离点()的三个最临近点/>，/>，/>，由/>~/>得到赋值数据的公式如下所示：

；

其中，k为切片序号，原始流场中任意一点相对于点(/>)的距离为/>对应的流场压力为/>，笛卡尔坐标系下x、y、z方向的速度分量为/>，/>，/>，密度为/>，，/>，/>，/>，/>为赋值数据。

6.如权利要求5所述的基于切片的超声速无粘流动智能初场设置方法，其特征在于，所述来流矩阵生成方式包括：

对每一张切片，生成一个来流矩阵B，B大小为，B[0]内数据赋值为流场对应的高度，B[1]内数据赋值为流场对应的攻角，B[2]内数据赋值为流场对应的马赫数。