CN117252130B - 飞行器近场压力分布预测方法、系统及相关设备 - Google Patents

飞行器近场压力分布预测方法、系统及相关设备 Download PDF

Info

Publication number
CN117252130B
CN117252130B CN202311537297.0A CN202311537297A CN117252130B CN 117252130 B CN117252130 B CN 117252130B CN 202311537297 A CN202311537297 A CN 202311537297A CN 117252130 B CN117252130 B CN 117252130B
Authority
CN
China
Prior art keywords
credibility
model
pressure distribution
data
aircraft
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
CN202311537297.0A
Other languages
English (en)
Other versions
CN117252130A (zh
Inventor
宋超
刘红阳
罗骁
李伟斌
王浩
蓝庆生
余永刚
刘文君
周铸
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.)
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Computational Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202311537297.0A priority Critical patent/CN117252130B/zh
Publication of CN117252130A publication Critical patent/CN117252130A/zh
Application granted granted Critical
Publication of CN117252130B publication Critical patent/CN117252130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/28—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Fluid Mechanics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于多可信度数据融合的飞行器近场压力分布预测方法、系统及相关设备，采用参数化方法描述飞行器气动外形，建立飞行器外形参数化设计空间，通过普氏分析方法将高/低可信度数据映射到相同的低维坐标系下，采用多可信度代理模型建立两组隐空间变量的融合模型，利用大量低成本的低精度数据提供模型趋势，并利用少量高精度数据进行模型修正，获得低可信度数据辅助、高可信度修正的多可信度数据模型，模型预测替代了耗时的CFD模拟，实现了压力分布的高精度高效率预测，达到模型输入设计变量到高可信度分布数据快速预测的目的。

Description

飞行器近场压力分布预测方法、系统及相关设备
技术领域
本发明涉及航空航天领域，具体而言，涉及采用多可信度数据融合技术实现飞行器近场的压力分布高精度预测方法。
背景技术
新一代超声速客机发展的关键难题是降低超声速飞行带来的声爆。降低超声速客机的声爆水平使其能够在陆地上空超声速飞行，将带来巨大的潜在市场。低声爆设计的关键环节是实现高精度声爆水平的预测。目前高精度声爆预测主流方法采用计算流体力学（CFD）的方法来计算声爆的近场压力波形，然后利用声传播方程获得远场压力信号，进而计算获得声爆水平。CFD计算的精度决定声爆水平的预测精度，而对于超声速流场的精细模拟需要大量的计算网格以捕捉激波位置、激波强度等关键信息。超声速全机三维精细模拟需要数千万量级的网格，导致计算过程效率不高，制约气动布局设计效率。
多可信度模型可以将大量低可信度数据与少量高可信度数据有机融合，获得高可信度数据预测模型。由于低可信度数据的计算成本较低，同时又融合高可信度数据信息，因此多可信度模型能够实现高效、高精度数据预测。然而，常规多可信度模型只针对单一响应数据（如升力、阻力等），无法实现分布数据（如近场压力分布）的多可信度融合。
综上，建立一种适用于分布数据的多可信度数据融合方法，能够大幅提高近场压力分布的预测精度与效率，对提高超声速客机全机三维声爆预测水平、提升超声速客机低声爆设计能力具有重要意义。
发明内容
本发明提供了一种基于多可信度数据融合的飞行器近场压力分布预测方法、系统及相关设备，旨在解决现有技术中多可信度模型只针对单一响应数据，无法实现分布数据的可信度融合，以及预测精度与效率低的问题。
第一方面，本发明的实施例提供了一种基于多可信度数据融合的飞行器近场压力分布预测方法，具体包括如下步骤：
S1：飞行器外形参数化；采用参数化方法描述飞行器气动外形，建立飞行器外形参数化设计空间，其中，设计变量数目为m；
S2：实验设计；采用拉丁超立方方法，生成n个样本点，其中，n取值为设计变量数目m的倍数，样本集记为S，样本集S中的每一行代表一个设计变量Si，生成对应的气动外形粗网格，得到对应外形的压力分布数据存放在矩阵Y中；对样本集S中的前p个样本进行高精度计算，对前p个样本对应的外形生成细网格并进行分析，得到的压力分布数据存放在矩阵X中；
S3：数据降阶；利用PCA主成分分析方法或KPCA核主成分分析方法，对X、Y高、低可信度数据降阶，选定降阶的主成分分量数目d，获得X、Y在低维空间的投影，即隐空间变量Z,W；
S4：隐空间维度对齐；采用普氏分析方法求解W的旋转矩阵Q，Z l f = s Q W，转换使得|| Z – Z l f ||最小，其中s为缩放因子，Q为旋转矩阵；
S5：多可信度模型建立；建立设计变量与隐空间变量的多可信度代理模型，融合Z,Z l f，采用多可信度代理模型，对Z, Z l f对应的每个分量建立多可信度模型，总共需要建立d个模型；模型的自变量为设计变量Si，输出为高精度的隐空间变量z；
S6：近场压力分布预测；给定设计变量Si，通过多可信度模型预测隐空间变量z；通过PCA或KPCA模型预测隐空间变量z对应的高维空间数据，即获得了设计变量Si对应的压力分布数据。
第二方面，本发明的实施例提供了一种基于多可信度数据融合的飞行器近场压力分布预测系统，包括：
参数设置模块，用于将飞行器外形参数化，并建立飞行器外形参数化设计空间，其中，设计变量数目为m；
网格生成模块，用于计算并生成飞行器气动外形网格；采用拉丁超立方方法，生成n个样本点，其中，n取值为设计变量数目m的倍数，样本集记为S，样本集S中的每一行代表一个设计变量Si，生成对应的气动外形粗网格，得到对应外形的压力分布数据存放在矩阵Y中；对样本集S中的前p个样本进行高精度计算，对前p个样本对应的外形生成细网格并进行分析，得到的压力分布数据存放在矩阵X中；
数据处理模块，用于实现数据降阶；利用PCA主成分分析方法或KPCA核主成分分析方法，对X、Y高、低可信度数据降阶，选定降阶的主成分分量数目，获得X、Y在低维空间的投影，即隐空间变量Z,W；隐空间维度对齐，采用普氏分析方法求解W的旋转矩阵Q，Z l f = s QW，转换使得|| Z – Z l f ||最小，其中s为缩放因子，Q为旋转矩阵；
模型建立模块，用于建立多可信度模型；首先建立设计变量与隐空间变量的多可信度代理模型，融合Z, Z l f，然后采用多可信度代理模型，对Z, Z l f对应的每个分量建立多可信度模型，总共需要建立d个模型；模型的自变量为设计变量Si，输出为高精度的隐空间变量z；
分析预测模块，用于近场压力分布的预测；给定设计变量Si，通过多可信度模型预测隐空间变量z；通过PCA或KPCA模型预测隐空间变量z对应的高维空间数据，即获得了设计变量Si对应的压力分布数据。
第三方面，本发明的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
第四方面，本发明的实施例提供了一种计算机设备，包括可读存储介质、处理器以及存储在可读存储介质上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明具有如下有益效果：
1、实现分布数据降阶，利用少量的主成分分量描述整个压力分布数据，获取了数据的主要特征，降低了压力分布数据的描述难度；
2、多可信度数据融合，通过普氏分析方法将高/低可信度数据映射到相同的低维坐标系下，采用多可信度代理模型建立两组隐空间变量的融合模型，利用大量低成本的低精度数据提供模型趋势，并利用少量高精度数据进行模型修正，获得低可信度数据辅助、高可信度修正的多可信度数据模型，模型预测替代了耗时的CFD模拟，实现了压力分布的高精度高效率预测，达到模型输入设计变量到高可信度分布数据快速预测的目的；
3、高效率声爆预测，基于多可信度模型，建立设计变量与对应压力分布的映射关系，据此进行声爆预测，可快速获得不同外形声爆水平分析所需要的近场压力分布。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明提取近场压力分布示意图；
图2是本发明飞行器参数化示意图；
图3是本发明近场压力高/低精度样本示意图；
图4是本发明近场压力多可信度数据融合模型预测结果示意图。
实施方式
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。
为了达到上述发明目的，本发明实施例提供了一种基于多可信度数据融合的飞行器近场压力分布预测方法、系统及相关设备。
下面首先对该基于多可信度数据融合的飞行器近场压力分布预测方法和系统进行详细介绍。以下方法实施例中的各个步骤按照合乎逻辑的顺序执行即可，步骤标号或者对各步骤进行介绍的先后顺序，并不对各步骤的执行顺序构成限定。
本发明多可信度数据融合模型预测近场压力分布的实施例思路是利用不同粗细的CFD计算网格获取不同可信度的压力分布数据，并将高/低可信度压力分布数据映射到相同的低维坐标系下，采用多可信度代理模型建立两组隐空间变量的融合模型，从而获得低可信度数据辅助、高可信度修正的模型，达到模型输入设计变量到高可信度分布数据快速预测的目的。
具体包括以下步骤：
S1：通过参数设置模块，将飞行器外形参数化。
本实施例选取的基础外形为自行设计的超声速飞机，机长约45米，声爆计算分析选取机身下方3倍机身长度位置截取的近场压力分布，如图1所示；压力分析选取机身对称面下方135米处的压力分布。
采用参数化方法描述飞行器气动外形，如自由变形参数化方法，一般采用的设计变量数目m在100以内。如图2所示给出了飞行器参数化方法，图中圆点代表设计变量，圆点沿法向移动将引起飞行器气动外形变化，圆点位移量为设计变量值。设计变量数目为62，即m=62。
S2：采用网格生成模块，计算并生成飞行器气动外形网格。
实验设计：采用拉丁超立方方法，生成n个样本点，样本点集记为S，这里n取为10倍的设计变量数m，即n=10m，n=620。样本集S中的每一行代表一个设计变量，生成对应的气动外形粗网格。
本实施实例的超声速飞机全机粗网格规模约为200万，一个外形气动分析的时间约1小时；得到对应外形的压力分布数据存放在矩阵Y中；对样本集S中的前p个样本进行高精度计算，其中p取为n的1/10，即62。对前p个样本对应的外形生成细网格并进行分析，细网格约2000万，计算时间约9小时；获得的压力分布数据集为X。
如图3所示，给出了四个不同气动外形的近场压力分布，分别通过粗细网格进行预测。其中，横轴是以飞行器头部最前面点为参考的距离值，纵轴为压力系数，计算公式是：（当地流场的压力-远场压力）/远场压力。从图中看出粗网格在压力分布峰值处预测误差较大，这是由于粗网格不能精确捕捉激波和膨胀波的位置与强度导致的。
S3：采用数据处理模块，实现数据降阶。
利用主成分分析（PCA）或核主成分分析（KPCA）分别对X、Y高低可信度数据降阶，选定降阶的主成分分量数目，获得X,Y的隐空间变量Z,W。压力分布数据的数目为k，通过PCA或KPCA获取高维数据的本征特征维度，记为d，d < < k。Z,W的维度则分别为n×d, p×k。
本实施例中，采用KPCA方法分别对X、Y高低可信度数据降阶，选定KPCA降阶的主成分分量数目，本实施例中选为5。获得X、Y在低维空间的投影，分别为Z,W。Z,W的维度分别为62×5620×5。
S4：采用数据处理模块，实现隐空间维度对齐。
采用普氏分析方法求解W的旋转矩阵Q，Z l f = s Q W，转换使得|| Z – Z l f ||最小，其中s为缩放因子，Q为旋转矩阵，其维度为620×620。
具体采用普氏分析方法，即取W的前p行，记为W l，对矩阵W l ZT求奇异值分解，即；可得缩放因子/> ，旋转矩阵/>，其中，/>为特征值对角阵，U为左奇异矩阵、V为右奇异矩阵。
S5：采用模型建立模块，建立多可信度模型。
建立设计变量与隐空间变量的多可信度代理模型，融合Z, Z l f。采用多可信度代理模型，如Cokriging，对Z, Z l f对应的每个分量建立多可信度模型，总共需要建立d个模型。模型的自变量为设计变量Si，输出为高精度的隐空间变量z。本实施例中，共需要建立5个模型；至此得到设计变量与Z的多可信度代理模型，模型输入新的设计变量Si可得到对应的隐空间变量z。
S6：采用分析预测模块，预测近场压力分布。
输入新的设计变量Si，得到对应的隐空间变量z后，通过PCA或KPCA模型预测隐空间变量z对应的高维空间数据，得到高可信度数据预测结果。
如图4所示，利用多可信度数据融合模型预测了四个不同气动外形的近场压力分布并采用高精度CFD进行了校验，其中，横轴是以飞行器头部最前面点为参考的距离值，纵轴为压力系数，计算公式是：（当地流场的压力-远场压力）/远场压力。结果显示CFD计算结果与模型预测结果十分接近。
另外，一个外形对应的近场压力分布预测时间在40毫秒左右，相比高精度CFD计算时间9小时的效率有极大提升。说明多可信度模型实现了近场压力分布的高效、高精度预测，可实现替代高精度CFD分析的目的。
本发明的实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的实施例还提供了一种计算机设备，包括可读存储介质、处理器以及存储在可读存储介质上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例、客户端实施例、服务器实施例、计算机可读存储介质实施例、以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于多可信度数据融合的飞行器近场压力分布预测方法，其特征在于，包括如下步骤：
S1：飞行器外形参数化；采用参数化方法描述飞行器气动外形，建立飞行器外形参数化设计空间，其中，设计变量数目为m；
S2：实验设计；采用拉丁超立方方法，生成n个样本点，其中，取值为设计变量数目m的倍数，样本集记为S，样本集S中的每一行代表一个设计变量Si，生成对应的气动外形粗网格，得到对应外形的压力分布数据存放在矩阵Y中；对样本集S中的前p个样本进行高精度计算，对前p个样本对应的外形生成细网格并进行分析，得到的压力分布数据存放在矩阵X中；
S3：数据降阶；利用PCA主成分分析方法或KPCA核主成分分析方法，对X、Y高、低可信度数据降阶，选定降阶的主成分分量数目d，获得X、Y在低维空间的投影，即隐空间变量Z,W；
S4：隐空间维度对齐；采用普氏分析方法求解W的旋转矩阵Q，Z l f = s Q W，转换使得||Z – Z l f ||最小，其中s为缩放因子，Q为旋转矩阵；
S5：多可信度模型建立；建立设计变量与隐空间变量的多可信度代理模型，融合Z, Zl f，采用多可信度代理模型，对Z, Z l f对应的每个分量建立多可信度模型，总共需要建立d个模型；模型的自变量为设计变量Si，输出为高精度的隐空间变量z；
S6：近场压力分布预测；给定设计变量Si，通过多可信度模型预测隐空间变量z；通过PCA或KPCA模型预测隐空间变量z对应的高维空间数据，即获得了设计变量Si对应的压力分布数据。
2.根据权利要求1所述的一种基于多可信度数据融合的飞行器近场压力分布预测方法，其特征在于：步骤S4中普氏分析方法的具体求解步骤为：取W的前p行，记为W l，对矩阵W l ZT求奇异值分解，即；可得缩放因子/> ，旋转矩阵，其中，/>为特征值对角阵，U为左奇异矩阵、V为右奇异矩阵。
3.根据权利要求1所述的一种基于多可信度数据融合的飞行器近场压力分布预测方法，其特征在于：步骤S5中，利用Cokriging模型，建立设计变量与隐空间变量的多可信度代理模型，融合Z, Z l f，共需要建立d个模型；至此得到设计变量与Z的多可信度代理模型，模型输入新的设计变量可得到对应的隐空间变量。
4.根据权利要求1所述的一种基于多可信度数据融合的飞行器近场压力分布预测方法，其特征在于：在步骤S6近场压力分布预测后，还包括：利用多可信度数据融合模型预测多个不同气动外形的近场压力分布并采用高精度CFD进行校验。
5.一种基于多可信度数据融合的飞行器近场压力分布预测系统，其特征在于，包括：
参数设置模块，用于将飞行器外形参数化，并建立飞行器外形参数化设计空间，其中，设计变量数目为m；
网格生成模块，用于计算并生成飞行器气动外形网格；采用拉丁超立方方法，生成n个样本点，其中，n取值为设计变量数目m的倍数，样本集记为S，样本集S中的每一行代表一个设计变量Si，生成对应的气动外形粗网格，得到对应外形的压力分布数据存放在矩阵Y中；对样本集S中的前p个样本进行高精度计算，对前p个样本对应的外形生成细网格并进行分析，得到的压力分布数据存放在矩阵X中；
数据处理模块，用于实现数据降阶；利用PCA主成分分析方法或KPCA核主成分分析方法，对X、Y高、低可信度数据降阶，选定降阶的主成分分量数目，获得X、Y在低维空间的投影，即隐空间变量Z,W；隐空间维度对齐，采用普氏分析方法求解W的旋转矩阵Q，Z l f = s Q W，转换使得|| Z – Z l f ||最小，其中s为缩放因子，Q为旋转矩阵；
模型建立模块，用于建立多可信度模型；首先建立设计变量与隐空间变量的多可信度代理模型，融合Z, Z l f，然后采用多可信度代理模型，对Z, Z l f对应的每个分量建立多可信度模型，总共需要建立d个模型；模型的自变量为设计变量Si，输出为高精度的隐空间变量z；
分析预测模块，用于近场压力分布的预测；给定设计变量Si，通过多可信度模型预测隐空间变量z；通过PCA或KPCA模型预测隐空间变量z对应的高维空间数据，即获得了设计变量Si对应的压力分布数据。
6.根据权利要求5所述的一种基于多可信度数据融合的飞行器近场压力分布预测系统，其特征在于：数据处理模块，采用普氏分析方法的具体求解步骤为：取W的前p行，记为W l，对矩阵W l ZT求奇异值分解，即；可得缩放因子/> ，旋转矩阵/>，其中，/>为特征值对角阵，U为左奇异矩阵、V为右奇异矩阵。
7.根据权利要求5所述的一种基于多可信度数据融合的飞行器近场压力分布预测系统，其特征在于：数据处理模块，利用Cokriging模型，建立设计变量与隐空间变量的多可信度代理模型，融合Z, Z l f，共需要建立d个模型；至此得到设计变量与Z的多可信度代理模型，模型输入新的设计变量可得到对应的隐空间变量。
8.根据权利要求5所述的一种基于多可信度数据融合的飞行器近场压力分布预测系统，其特征在于：还包括校验模块，在近场压力分布预测后，利用多可信度数据融合模型预测多个不同气动外形的近场压力分布，并采用高精度CFD进行校验。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1~4中任一项所述方法的步骤。
10.一种计算机设备，包括可读存储介质、处理器以及存储在可读存储介质上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1~4中任一项所述方法的步骤。
CN202311537297.0A 2023-11-17 2023-11-17 飞行器近场压力分布预测方法、系统及相关设备 Active CN117252130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311537297.0A CN117252130B (zh) 2023-11-17 2023-11-17 飞行器近场压力分布预测方法、系统及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311537297.0A CN117252130B (zh) 2023-11-17 2023-11-17 飞行器近场压力分布预测方法、系统及相关设备

Publications (2)

Publication Number Publication Date
CN117252130A CN117252130A (zh) 2023-12-19
CN117252130B true CN117252130B (zh) 2024-02-06

Family

ID=89128064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311537297.0A Active CN117252130B (zh) 2023-11-17 2023-11-17 飞行器近场压力分布预测方法、系统及相关设备

Country Status (1)

Country Link
CN (1) CN117252130B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104584578A (zh) * 2012-03-02 2015-04-29 莫戈公司 实时飞机状况检测系统和方法
CN110705154A (zh) * 2019-09-24 2020-01-17 中国航空工业集团公司西安飞机设计研究所 航空器开环气动伺服弹性系统模型均衡降阶的优选方法
CN112507452A (zh) * 2020-11-30 2021-03-16 南京航空航天大学 航空发动机涡轮叶片可靠性数字孪生建模方法
CN113673027A (zh) * 2021-07-28 2021-11-19 北京航空航天大学 一种基于代理模型的高超声速飞行器气动载荷优化设计方法
CN115774900A (zh) * 2022-11-18 2023-03-10 南京航空航天大学 一种不确定条件下的变构型飞行器指令鲁棒优化设计方法
CN115828797A (zh) * 2023-02-15 2023-03-21 中国船舶集团有限公司第七一九研究所 一种基于降阶模型的潜艇水动力载荷快速预报方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10146903B2 (en) * 2015-11-11 2018-12-04 The Boeing Company High fidelity and high efficiency method for sonic boom predictions in supersonic flights

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104584578A (zh) * 2012-03-02 2015-04-29 莫戈公司 实时飞机状况检测系统和方法
CN110705154A (zh) * 2019-09-24 2020-01-17 中国航空工业集团公司西安飞机设计研究所 航空器开环气动伺服弹性系统模型均衡降阶的优选方法
CN112507452A (zh) * 2020-11-30 2021-03-16 南京航空航天大学 航空发动机涡轮叶片可靠性数字孪生建模方法
CN113673027A (zh) * 2021-07-28 2021-11-19 北京航空航天大学 一种基于代理模型的高超声速飞行器气动载荷优化设计方法
CN115774900A (zh) * 2022-11-18 2023-03-10 南京航空航天大学 一种不确定条件下的变构型飞行器指令鲁棒优化设计方法
CN115828797A (zh) * 2023-02-15 2023-03-21 中国船舶集团有限公司第七一九研究所 一种基于降阶模型的潜艇水动力载荷快速预报方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于POD方法的尾流激励叶片降阶模型";刘钊;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第12期);C031-30 *
"Aerodynamic multi-objective integrated optimization based on principal component analysis";Jiangtao Huang等;《Chinese Journal of Aeronautics》;第30卷(第4期);1336-1348 *

Also Published As

Publication number Publication date
CN117252130A (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
Potsdam et al. Rotor airloads prediction using loose aerodynamic/structural coupling
Coirier et al. An accuracy assessment of Cartesian-mesh approaches for the Euler equations
Park et al. Unstructured grid adaptation and solver technology for turbulent flows
US6606612B1 (en) Method for constructing composite response surfaces by combining neural networks with other interpolation or estimation techniques
CN109766604B (zh) 一种基于随机等几何分析的叶片高刚度设计方法
Hanna et al. Coarse-grid computational fluid dynamic (CG-CFD) error prediction using machine learning
Li et al. Reduced-order thrust modeling for an efficiently flapping airfoil using system identification method
Wu et al. Uncertainty quantification and sensitivity analysis of transonic aerodynamics with geometric uncertainty
CN110162895B (zh) 一种两阶段的高能效船型优化设计方法
CN114065662B (zh) 适用于网格拓扑可变的翼型流场快速预测方法
Khatouri et al. Metamodeling techniques for CPU-intensive simulation-based design optimization: a survey
Cao et al. Efficient learning of mesh-based physical simulation with bi-stride multi-scale graph neural network
CN110334450A (zh) 一种多块结构网格生成中物面投影错误的修复方法
CN117252130B (zh) 飞行器近场压力分布预测方法、系统及相关设备
Strofylas et al. An agglomeration strategy for accelerating RBF-based mesh deformation
CN116933386A (zh) 一种基于mcok代理模型的飞行器气动数据融合方法
Poole et al. Aerofoil design variable extraction for aerodynamic optimization
Selvan On the effect of shape parameterization on aerofoil shape optimization
Lai et al. Probabilistic approach to mechanism reliability with multi-influencing factors
Li et al. Predicting unsteady incompressible fluid dynamics with finite volume informed neural network
Satterwhite Development of CPanel, an unstructured panel code, using a modified TLS velocity formulation
Moni et al. Data-Driven Reduced Order Modelling for Aerodynamic Shape Optimisation
Li et al. Wind turbine wake prediction modelling based on transformer-mixed conditional generative adversarial network
Wang et al. Research on the Role of Hybrid Mesh Warm-up in Flow Prediction Based on Deep Learning
Ollivier Gooch Summary of Discussions of Mesh Impact on CFD Simulations at GMGW2

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