CN117216491B - 一种基于神经网络的低速风洞支架干扰量预测方法及设备 - Google Patents

一种基于神经网络的低速风洞支架干扰量预测方法及设备 Download PDF

Info

Publication number
CN117216491B
CN117216491B CN202311487814.8A CN202311487814A CN117216491B CN 117216491 B CN117216491 B CN 117216491B CN 202311487814 A CN202311487814 A CN 202311487814A CN 117216491 B CN117216491 B CN 117216491B
Authority
CN
China
Prior art keywords
wind tunnel
bracket
data
interference
test
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
Application number
CN202311487814.8A
Other languages
English (en)
Other versions
CN117216491A (zh
Inventor
刘明远
杨凯
陈宝
焦仁山
陈文军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
AVIC Aerodynamics Research Institute
Original Assignee
AVIC Aerodynamics Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by AVIC Aerodynamics Research Institute filed Critical AVIC Aerodynamics Research Institute
Priority to CN202311487814.8A priority Critical patent/CN117216491B/zh
Publication of CN117216491A publication Critical patent/CN117216491A/zh
Application granted granted Critical
Publication of CN117216491B publication Critical patent/CN117216491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明公开了一种基于神经网络的低速风洞支架干扰量预测方法及设备,属于风洞试验领域,方法如下:获取已有风洞试验支架干扰量数据;进行预处理,输出神经网络训练数据集;利用训练数据集搭建并训练神经网络学习模型;获取当前风洞试验模型、支架以及运行状态特征量,经过预处理后输入神经网络学习模型,得到风洞试验模型在当前试验状态下的支架干扰量。本发明对于不能进行支架干扰试验的飞行器,能够给出其支撑系统对气动力数据的干扰量大小,提高风洞试验的数据准度;对于能够进行支架干扰试验的飞行器,可以利用典型状态试验数据建模,对其它状态进行预测,进而节约经济成本。

Description

一种基于神经网络的低速风洞支架干扰量预测方法及设备
技术领域
本发明属于风洞试验领域,具体涉及一种基于神经网络的低速风洞支架干扰量预测方法及设备。
背景技术
在风洞试验时,为了得到风洞支撑装置对试验模型带来的气动力干扰,通常要在正式试验前进行支架干扰测量试验,能够进行支架干扰试验的,为了保险起见要做较多状态的支架干扰试验,涉及到真假支杆的安装、模型的翻身,耗时费力,试验成本高,而且同一支杆相同布局试验模型也要完全重复进行支架干扰试验,代价大;不能进行支架干扰试验或者不进行支架干扰修正的模型,试验结果影响数据准度和质量,以往有采用CFD等其他手段获得部分状态支架干扰数据,但数据准度有待验证,尚未形成工程应用。
目前大量支架干扰试验数据处于孤立状态,使用率低下,因此利用已有的支架干扰试验测得的干扰量,建立支架干扰智能预测模型,能够节约试验时间、减少人力物力,并对不能进行支架干扰试验的模型提供干扰量评估。
发明内容
为解决上述问题,本发明提供了一种基于神经网络的低速风洞支架干扰量预测方法,利用已有的风洞试验支架干扰量数据,运用神经网络建立支架干扰量预测模型,从而得到不同模型、不同支杆的支架干扰量数据,对于不能进行支架干扰试验的飞行器,能够给出其支撑系统对气动力数据的干扰量大小,提高风洞试验的数据准度。
本发明解决其技术问题所采用的技术方案如下:一种基于神经网络的低速风洞支架干扰量预测方法,步骤如下:
S01、获取低速风洞已有支架干扰试验数据,数据包括如下:
风洞试验模型的特征尺寸和姿态角数据,包括:参考面积、平均气动弦长、展长、迎角、侧滑角,
支架的特征尺寸数据,包括:支架横截面的长和宽,
风洞试验的运行风速数据,
风洞试验模型的支架干扰量数据,包括:升力、阻力、俯仰力矩、滚转力矩、偏航力矩和侧向力;
S02、对已有所述的支架干扰试验数据进行预处理:获取已有的除风洞试验模型的 支架干扰量数据之外的所有干扰试验数据的最大值和最小值,通过如下公 式进行归一化处理:
获得包含输入值和支架干扰量输出值的神经网络训练数据集
S03、利用所述神经网络训练数据集输入神经网络学习模型并进行训练,得到支架干扰预测模型,
其中,神经网络学习模型的结构如下:第一层为输入层,共有7个神经元,包括风洞试验模型的特征尺寸和姿态角数据、支架的特征尺寸数据、风洞试验的运行风速;第二层与第三层为隐含层,分别有15个和10个神经元;最后一层为输出层,共有6个神经元,即6个风洞试验模型的支架干扰量;
训练过程分为如下几步:
S31、前馈
神经网络根据当前神经元权重,对输入进行如下变换:
其中:
表示第层的输出;
为relu激活函数,;
为第层的权重;
为第层的偏置;
为神经网络学习模型输出的风洞试验模型的支架干扰量的预测值;
S32、误差计算
使用如下所示的均方差损失函数:
计算当前网络输出值与目标值之间的差距,得到标量型的误差值,其中表 示训练数据集中的样本个数;
S33、后向传播
通过链式法则,从输出位置开始依次向后计算损失函数值对于各神经元权重的偏 导数和偏置的偏导数
S34、根据第S33步计算的偏导数,更新神经元权重值,
其中,为当前步的权重,为上一步的权重,为当前步的偏置, 为上一步的偏置,为上一步的权重的偏导数,为上一步的偏置的偏导数,代表 学习率,这里取0.001;
S35、重复第S31~S34步,直至损失函数计算的误差值变化率低于5%,最终得 到如下的支架干扰预测模型:
为模型最终得到的连接权重,
为模型最终得到的连接偏置;
S04、获取在当前试验状态下的除风洞试验模型的支架干扰量数据之外的所有干 扰试验数据的特征量,进行归一化处理,获得后输入步骤S03的步骤S35中的支架干 扰预测模型,得到风洞试验模型在当前试验状态下的支架干扰量数据。
进一步的,如上所述的一种基于神经网络的低速风洞支架干扰量预测方法,得到风洞试验模型在当前试验状态下的支架干扰量数据包括所述风洞试验模型在所用支架及运行风速下的不同姿态角的支架干扰量数据。
另一方面,本发明目的是通过一种计算机装置/设备/系统来实现,其包括处理器和与处理器可通信地连接的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指令,当所述计算机指令被所述处理器执行时,实现本发明如上所述的方法的步骤。
另一方面,本发明目的是通过一种计算机可读存储介质来实现,其上存储有计算机指令,该计算机指令被处理器执行时实现本发明如上所述的方法的步骤。
本发明的优点及有益效果:本发明对于不能进行支架干扰试验的飞行器,能够给出其支撑系统对气动力数据的干扰量大小,提高风洞试验的数据准度;对于能够进行支架干扰试验的飞行器,可以利用典型状态试验数据建模,对其他状态进行预测,进而节约经济成本。
附图说明
图1为本发明的一种基于神经网络的低速风洞支架干扰预测方法流程图。
图2为升力系数预测值与试验值对比情况图;
图3为阻力系数预测值与试验值对比情况图;
图4为俯仰力矩系数预测值与试验值对比情况图;
图5为滚转力矩系数预测值与试验值对比情况图;
图6为偏航力矩系数预测值与试验值对比情况图;
图7为侧向力系数预测值与试验值对比情况图。
具体实施方式
下面根据附图举例对本方法进行进一步说明:
实施例1
一种基于神经网络的低速风洞支架干扰量预测方法,方法如下:
S01、获取低速风洞已有支架干扰试验数据,数据包括如下:
风洞试验模型的特征尺寸和姿态角数据,包括:参考面积、平均气动弦长、展长、迎角、侧滑角,
支架的特征尺寸数据,包括:支架横截面的长和宽,
风洞试验的运行风速数据,
风洞试验模型的支架干扰量数据,包括:升力、阻力、俯仰力矩、滚转力矩、偏航力矩和侧向力;
S02、对已有所述的支架干扰试验数据进行预处理:获取已有的除风洞试验模型的 支架干扰量数据之外的所有干扰试验数据的最大值和最小值,通过如下公 式进行归一化处理:
获得包含输入值和支架干扰量输出值的神经网络训练数据集
S03、利用所述神经网络训练数据集输入神经网络学习模型并进行训练,得到支架干扰预测模型,
其中,神经网络学习模型的结构如下:第一层为输入层,共有7个神经元,包括风洞试验模型的特征尺寸和姿态角数据、支架的特征尺寸数据、风洞试验的运行风速;第二层与第三层为隐含层,分别有15个和10个神经元;最后一层为输出层,共有6个神经元,即6个风洞试验模型的支架干扰量;
训练过程分为如下几步:
S31、前馈
神经网络根据当前神经元权重,对输入进行如下变换:
其中:
表示第层的输出;
为relu激活函数,;
为第层的权重;
为第层的偏置;
为神经网络学习模型输出的风洞试验模型的支架干扰量的预测值;
S32、误差计算
使用如下所示的均方差损失函数:
计算当前网络输出值与目标值之间的差距,得到标量型的误差值,其中表 示训练数据集中的样本个数;
S33、后向传播
通过链式法则,从输出位置开始依次向后计算损失函数值对于各神经元权重的偏 导数和偏置的偏导数
S34、根据第S33步计算的偏导数,更新神经元权重值,
其中,为当前步的权重,为上一步的权重,为当前步的偏置, 为上一步的偏置,为上一步的权重的偏导数,为上一步的偏置的偏导数,代表 学习率,这里取0.001。
S35、重复第S31~S34步,直至损失函数计算的误差值的变化率低于5%,最终 得到如下的支架干扰预测模型:
为模型最终得到的连接权重,
为模型最终得到的连接偏置;
S04、获取在当前试验状态下的除风洞试验模型的支架干扰量数据之外的所有干 扰试验数据的特征量,进行归一化处理,获得后输入步骤S03的步骤S35中的支架干 扰预测模型,得到风洞试验模型在当前试验状态下的支架干扰量数据。
实施例2
选取的20个样本数据,提取每个数据样本的风洞试验模型的特征尺寸和姿态角数据(参考面积、平均气动弦长、展长、迎角、侧滑角)、支架的特征尺寸数据(支架横截面的长、宽)、风洞试验的运行风速,采用实施例1所述的一种基于神经网络的低速风洞支架干扰量预测方法,得到风洞试验模型在当前试验状态下的支架干扰量。图2~图7展示了本方法所得到的支架干扰量与风洞试验数据的对比情况,可以看出本发明所得出的支架干扰量与风洞试验数据吻合较好,在减少试验工作量的情况下,能够满足风洞试验精准度的要求。

Claims (4)

1.一种基于神经网络的低速风洞支架干扰量预测方法,其特征在于,步骤如下:
S01、获取低速风洞已有支架干扰试验数据,数据包括如下:
风洞试验模型的特征尺寸和姿态角数据,包括:参考面积、平均气动弦长、展长、迎角、侧滑角,
支架的特征尺寸数据,包括:支架横截面的长和宽,
风洞试验的运行风速数据,
风洞试验模型的支架干扰量数据,包括:升力、阻力、俯仰力矩、滚转力矩、偏航力矩和侧向力;
S02、对已有所述的支架干扰试验数据进行预处理:获取已有的除风洞试验模型的支架干扰量数据之外的所有干扰试验数据X的最大值Xmax和最小值Xmin,通过如下公式进行归一化处理:
获得包含输入值Xinput和支架干扰量输出值Y的神经网络训练数据集[Xinput,Y];
S03、利用所述神经网络训练数据集输入神经网络学习模型并进行训练,得到支架干扰预测模型,
其中,神经网络学习模型的结构如下:第一层为输入层,共有7个神经元,包括风洞试验模型的特征尺寸和姿态角数据、支架的特征尺寸数据、风洞试验的运行风速;第二层与第三层为隐含层,分别有15个和10个神经元;最后一层为输出层,共有6个神经元,即6个风洞试验模型的支架干扰量;
训练过程分为如下几步:
S31、前馈
神经网络根据当前神经元权重,对输入进行如下变换:
H1=Xinput
H2=f(W2·H1+b2)
H3=f(W3·H2+b3)
Out=W4·H3+b4
其中:
Hi为第i层的输出,i=1、2、3;
f(x)为relu激活函数,f(x)=max(0,x);
Wi为第i层的权重,i=2、3、4;
bi为第i层的偏置,i=2、3、4;
Out为神经网络学习模型输出的风洞试验模型的支架干扰量的预测值;
S32、误差计算
使用如下所示的均方差损失函数:
计算当前网络输出值与目标值之间的差距,得到标量型的误差值MSE,其中n表示训练数据集中的样本个数;
S33、后向传播
通过链式法则,从输出位置开始依次向后计算损失函数值对于各神经元权重的偏导数和偏置的偏导数/>
S34、根据第S33步计算的偏导数,更新神经元权重值,
其中,Wnew为当前步的权重,Wold为上一步的权重,bnew为当前步的偏置,bold为上一步的偏置,为上一步的权重的偏导数,/>为上一步的偏置的偏导数,η代表学习率,这里取0.001;
S35、重复第S31~S34步,直至损失函数计算的误差值MSE的变化率低于5%,最终得到如下的支架干扰预测模型:
H1=Xinput
H2=f(W2_final·H1+b2_final)
H3=f(W3_final·H2+b3_final)
Out=W4_final·H3+b4_final
Wi_final为模型最终得到的连接权重,i=2、3、4;
bi_final为模型最终得到的连接偏置,i=2、3、4;
S04、获取在当前试验状态下的除风洞试验模型的支架干扰量数据之外的所有干扰试验数据的特征量,进行归一化处理,获得Xinput后输入步骤S03的步骤S35中的支架干扰预测模型,得到风洞试验模型在当前试验状态下的支架干扰量。
2.根据权利要求书1所述的一种基于神经网络的低速风洞支架干扰量预测方法,其特征在于:得到风洞试验模型在当前试验状态下的支架干扰量数据包括所述风洞试验模型在所用支架及运行风速下的不同姿态角的支架干扰量数据。
3.一种计算机系统,其包括处理器和与处理器可通信地连接的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指令,其特征在于,当所述计算机指令被所述处理器执行时,实现根据权利要求1~2中任一项所述的方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现根据权利要求1~2中任一项所述的方法的步骤。
CN202311487814.8A 2023-11-09 2023-11-09 一种基于神经网络的低速风洞支架干扰量预测方法及设备 Active CN117216491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311487814.8A CN117216491B (zh) 2023-11-09 2023-11-09 一种基于神经网络的低速风洞支架干扰量预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311487814.8A CN117216491B (zh) 2023-11-09 2023-11-09 一种基于神经网络的低速风洞支架干扰量预测方法及设备

Publications (2)

Publication Number Publication Date
CN117216491A CN117216491A (zh) 2023-12-12
CN117216491B true CN117216491B (zh) 2024-02-09

Family

ID=89041047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311487814.8A Active CN117216491B (zh) 2023-11-09 2023-11-09 一种基于神经网络的低速风洞支架干扰量预测方法及设备

Country Status (1)

Country Link
CN (1) CN117216491B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5649064A (en) * 1995-05-19 1997-07-15 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method for modeling the flow performance features of an object
JP2010243400A (ja) * 2009-04-08 2010-10-28 Japan Aerospace Exploration Agency 亜音速半裁模型風洞試験における船台支持干渉修正法
CN105095963A (zh) * 2015-08-17 2015-11-25 中国空气动力研究与发展中心高速空气动力研究所 一种精确诊断与预测风洞设备故障的方法
CN108072502A (zh) * 2017-12-07 2018-05-25 中国航空工业集团公司哈尔滨空气动力研究所 一种风洞支撑干扰量测量的试验方法
JP2021162437A (ja) * 2020-03-31 2021-10-11 株式会社熊谷組 風速データの使用方法
CN114235330A (zh) * 2021-12-08 2022-03-25 西北工业大学 关联风洞试验和计算数据的多源气动载荷模型构建方法
CN114993604A (zh) * 2022-05-24 2022-09-02 中国科学院力学研究所 一种基于深度学习的风洞天平静态校测方法
CN115615655A (zh) * 2022-11-15 2023-01-17 中国航空工业集团公司沈阳空气动力研究所 一种连续式跨声速风洞试验数据干扰修正方法
CN116305574A (zh) * 2023-03-21 2023-06-23 西安交通大学 一种基于神经网络模型的试验设计方法
CN116484495A (zh) * 2023-03-21 2023-07-25 西安交通大学 一种基于试验设计的气动数据融合建模方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5649064A (en) * 1995-05-19 1997-07-15 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method for modeling the flow performance features of an object
JP2010243400A (ja) * 2009-04-08 2010-10-28 Japan Aerospace Exploration Agency 亜音速半裁模型風洞試験における船台支持干渉修正法
CN105095963A (zh) * 2015-08-17 2015-11-25 中国空气动力研究与发展中心高速空气动力研究所 一种精确诊断与预测风洞设备故障的方法
CN108072502A (zh) * 2017-12-07 2018-05-25 中国航空工业集团公司哈尔滨空气动力研究所 一种风洞支撑干扰量测量的试验方法
JP2021162437A (ja) * 2020-03-31 2021-10-11 株式会社熊谷組 風速データの使用方法
CN114235330A (zh) * 2021-12-08 2022-03-25 西北工业大学 关联风洞试验和计算数据的多源气动载荷模型构建方法
CN114993604A (zh) * 2022-05-24 2022-09-02 中国科学院力学研究所 一种基于深度学习的风洞天平静态校测方法
CN115615655A (zh) * 2022-11-15 2023-01-17 中国航空工业集团公司沈阳空气动力研究所 一种连续式跨声速风洞试验数据干扰修正方法
CN116305574A (zh) * 2023-03-21 2023-06-23 西安交通大学 一种基于神经网络模型的试验设计方法
CN116484495A (zh) * 2023-03-21 2023-07-25 西安交通大学 一种基于试验设计的气动数据融合建模方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Research on wind tunnel test data prediction and fault diagnosis technology based on machine learning;Liu Boya;《IEEE Xplore》;全文 *
Wind Tunnel Data Classification A Comparison of Performance Between K-Nearest Neighbor and Artificial Neural Network Algorithm;Purwadi Purwadi;《IEEE Xplore》;全文 *
三角翼大迎角风洞试验支架干扰数值模拟研究;张军;艾宇;黄达;刘晶;;航空学报(第08期);全文 *
低速增压风洞张线支撑系统的设计和验证;曲明;《气动研究与试验》;第1卷(第4期);全文 *
低速增压风洞支架干扰的数值研究;王延奎;《飞机设计》;第29卷(第2期);全文 *
低速风洞试验腹撑支架干扰分析;白峰;胡冶;;民用飞机设计与研究(第04期);全文 *
大型声学风洞机体气动噪声试验技术研究;陈宝;《气动研究与试验》;第1卷(第5期);全文 *

Also Published As

Publication number Publication date
CN117216491A (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
US5649064A (en) System and method for modeling the flow performance features of an object
CN105718634B (zh) 一种基于非概率区间分析模型的翼型鲁棒优化设计方法
CN112084727A (zh) 一种基于神经网络的转捩预测方法
CN107944648A (zh) 一种大型船舶航速油耗率精准预测方法
CN110516318B (zh) 基于径向基函数神经网络代理模型的翼型设计方法
CN112597702B (zh) 基于径向基函数的气动建模生成式对抗网络模型训练方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
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
CN112287605A (zh) 一种基于图卷积网络加速的潮流校核方法
CN107085646B (zh) 一种输电线路下地面场强测量方法
CN114676639A (zh) 基于神经网络的飞行器气动外形优化方法、装置及介质
CN117216491B (zh) 一种基于神经网络的低速风洞支架干扰量预测方法及设备
CN111553400A (zh) 一种风力发电机组振动故障的精准诊断方法
CN117709488A (zh) 基于RUN-XGBoost的大坝渗流预测方法
CN116388232A (zh) 风电调频综合惯性控制方法、系统、电子设备和存储介质
CN114462149B (zh) 一种基于预训练与增量学习的飞行器气动参数辨识方法
CN116305574A (zh) 一种基于神经网络模型的试验设计方法
CN113722951B (zh) 基于神经网络的散射体三维有限元网格优化方法
CN114037012B (zh) 基于相关性分析与深度学习的飞行数据异常检测方法
CN115033992A (zh) 大攻角非定常气动力建模方法、介质、处理器及设备
CN111582632B (zh) 一种地下大空间施工全过程多因素安全阶段性预测方法
Li et al. Wind turbine wake prediction modelling based on transformer-mixed conditional generative adversarial network
CN113379151A (zh) 基于Bagging-CNN-GRU的风速超短期预测方法
CN115358100B (zh) 一种海洋拖曳系统多目标优化方法及装置
Richmond et al. Development of a stochastic computational fluid dynamics approach for offshore wind farms

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