CN117574756A - 基于融合理论模型的高速飞行器气动载荷智能预测方法 - Google Patents
基于融合理论模型的高速飞行器气动载荷智能预测方法 Download PDFInfo
- Publication number
- CN117574756A CN117574756A CN202311428859.8A CN202311428859A CN117574756A CN 117574756 A CN117574756 A CN 117574756A CN 202311428859 A CN202311428859 A CN 202311428859A CN 117574756 A CN117574756 A CN 117574756A
- Authority
- CN
- China
- Prior art keywords
- model
- speed aircraft
- aerodynamic load
- neural network
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- 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
- 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
- G06N3/0499—Feedforward networks
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明属于航空航天工程和人工智能领域,公开了一种基于融合理论模型的高速飞行器气动载荷智能预测方法。本发明的基于融合理论模型的高速飞行器气动载荷智能预测方法将神经网络和融合理论相结合,通过嵌入低保真模型,减少了预测模型对高保真数据的依赖,加速了神经网络收敛,而且融合了实验数据和计算数据,能够更好的权衡两种数据源之间的关系,从而提高高速飞行器气动载荷的智能预测的精度。本发明的基于融合理论模型的高速飞行器气动载荷智能预测方法可以推广应用于高超声速导弹设计、性能分析以及其他领域,为高超声速导弹的气动载荷预测问题提供了一种全新的智能解决方案。
Description
技术领域
本发明属于航空航天工程和人工智能领域,具体涉及基于融合理论模型的高速飞行器气动载荷智能预测方法。
背景技术
高速飞行器的设计和性能分析一直是航空航天工程中的重要课题。然而,在高超声速飞行条件下,高速飞行器受到大气环境的极大影响,影响因素主要是大气温度、大气压力和大气密度等环境参数的动态变化。高超声速导弹作为一种高速飞行器,其表面面临巨大的气动热挑战。高速飞行导致空气在高超声速导弹表面产生巨大的压力和摩擦,从而产生高温和高压的气动加热现象。这种气动加热不仅对高超声速导弹的结构和材料性能提出了极高要求,还直接影响了高超声速导弹的气动载荷。
当前,有必要对高超声速导弹的气动载荷开展智能预测,发展一种基于融合理论模型的高速飞行器气动载荷智能预测方法。
发明内容
本发明所要解决的技术问题是提供一种基于融合理论模型的高速飞行器气动载荷智能预测方法,用以克服传统方法的局限性。
本发明的基于融合理论模型的高速飞行器气动载荷智能预测方法将神经网络和融合理论相结合,通过嵌入低保真模型,减少预测模型对高保真数据的依赖,加速神经网络收敛,而且融合了实验数据和计算数据,能够更好的权衡两种数据源之间的关系,从而提高高速飞行器气动载荷的智能预测的精度。
本发明的基于融合理论模型的高速飞行器气动载荷智能预测方法,包括如下步骤:
S1.通过实验和计算的方式获得所需的训练数据,根据要求选择神经网络的输入特征,并将神经网络划分为训练集和测试集;
S2.根据神经网络的输入特征和所需的输出特征,建立具有高速飞行器的气动性能特征的低保真模型;
S3.建立全连接神经网络结构,确定包括神经网络的层数、节点数、激活函数在内的超参数,同时确定隐藏层的数量和位置;
S4.在每个隐藏层中,选择若干个神经元嵌入S2中的低保真模型;
S5.在步骤S1的基础上,结合实验数据和计算数据定义损失函数;在定义损失函数过程中,考虑实验数据和计算数据的权重分配,建立预测模型;
S6.训练神经网络,在损失函数收敛之后对测试集进行测试,确保预测模型实现所需的预测精度。
进一步地,S2中所述的输入特征包括马赫数、攻角、侧滑角以及模型几何参数。
进一步地,S2中所述的输出特征为气动载荷。
进一步地,S2中所述的低保真度模型,是通过输入特征和输出特征拟合的多项式回归模型,多项式的通项公式如下:
其中,x1、x2…xm分别表示各输入特征;nm表示各输入特征对应的阶数;n=n1+n2+…+nm,n表示各输入特征对应的阶数之和;Y为低保真模型的输出值。
进一步地,S5中所述的损失函数,是利用加权的方法将实验数据和计算数据融合起来,以提高预测的精度;损失函数Er如下式所示:
其中,ω1和ω2为加权系数,ω1+ω2=1;为计算数据,/>为试验数据,为预测模型的预测值。
进一步地,所述的高速飞行器为高超声速导弹。
进一步地,所述的高速飞行器替换为低速飞行器、跨超声速飞行器或者高超声速飞行器。
本发明的基于融合理论模型的高速飞行器气动载荷智能预测方法融合了两项技术:首先,通过神经网络的输入输出和输出特征,构建了一个低保真模型,并将其嵌入神经网络隐藏层的神经元中,替代原始的神经元,通过与其他神经元融合,放大信号,增强预测模型的学习能力,减少对高保真数据的依赖,加速神经网络的训练,以实现稳健的神经网络拟合和准确的预测。其次,通过定义损失函数,采用加权的方式将实验数据和计算数据进行有效融合,能够更好的权衡两种数据源之间的关系,提高模型的预测精度。而且,神经网络的输入特征包括马赫数、攻角、侧滑角以及模型几何参数等,能够根据实际情况进行灵活调整,适用于不同类型的高速飞行器。尤其在考虑动态大气环境变化时具有重要价值,使得高速飞行器气动载荷的预测结果更为准确和可靠。
简而言之,本发明的基于融合理论模型的高速飞行器气动载荷智能预测方法将神经网络的强大拟合能力与实验数据的可信度相结合,实现了实验数据和计算数据的相互补充。使用神经网络,能够更好地捕捉复杂的飞行器气动特性,提高了预测的精确性;再将低保真模型嵌入到神经网络中,重新定义损失函数,将实验数据和计算数据融合起来,增强了模型的鲁棒性和稳定性。
总而言之,本发明的基于融合理论模型的高速飞行器气动载荷智能预测方法将神经网络和融合理论相结合,通过融合模型和改变损失函数,实现了高保真度气动载荷的智能预测,能够在高速飞行器领域发挥关键作用,为高速飞行器领域的气动性能分析提供了更精确的解决方案,为提高高速飞行器设计和性能评估的效率以及准确性提供了有效手段,促进了高超声速飞行技术的发展和应用,具有广泛而重要的工程应用前景。尤其是,可以推广应用于高超声速导弹设计、性能分析以及其他领域,为高超声速导弹的气动载荷预测问题提供了一种全新的智能解决方案。
附图说明
图1为本发明的基于融合理论模型的高速飞行器气动载荷智能预测方法的流程图;
图2为实施例1在神经网络隐藏层的神经元中嵌入低阶模型的示意图;
其中,yLF为低阶模型,白色圆圈表示该隐藏层中被嵌入低阶模型的神经元,l和k表示在每一个隐含层中嵌入多少个神经元数,可根据实际情况进行调整;灰色圆圈表示未被嵌入的神经元;
图3为实施例1在神经网络隐藏层中嵌入的低阶多项式回归模型与实验值对比图;
图4为实施例1获得的高超声速导弹的侧向力系数智能预测的结果对比图;
图5为实施例1获得的高超声速导弹的侧向力系数智能预测的绝对误差百分比示意图。
具体实施方式
下面结合附图和实施例详细说明本发明。
实施例1:
本实施例的高速飞行器为高超声速导弹。
如图1所示,本实施例的基于融合理论模型的高速飞行器气动载荷智能预测方法,包括如下步骤:
S1.通过实验和计算的方式获得所需的训练数据,根据要求选择神经网络的输入特征,并将神经网络划分为训练集和测试集;
S1的关键在于确保获得充分的数据以支持预测模型的训练和验证。本实施例通过实验和计算的方式建立气动数据库,将80%的数据划分为训练集,对神经网络进行训练,20%划分为测试集,对神经网络的精度进行测试。
S2.根据神经网络的输入特征和所需的输出特征,建立如图2所示的具有高速飞行器的气动性能特征的低保真模型;
低保真模型是通过输入特征和输出特征拟合的多项式回归模型,多项式的通项公式如下:
其中,x1、x2…xm分别表示各输入特征;nm表示各输入特征对应的阶数;n=n1+n2+…+nm,n表示各输入特征对应的阶数之和;Y为低保真模型的输出值。获得了如图3所示的拟合的低阶多项式回归模型与实验值的对比图,可见,通过嵌入低保真模型,可以减少神经网络对高保真数据的依赖,从而在较少的训练数据条件下,获得较高的预测精度。
S3.建立全连接神经网络结构,确定包括神经网络的层数、节点数、激活函数在内的超参数,同时确定隐藏层的数量和位置;
对于较少的输入特征,神经网络隐藏层的层数一般设置2~4层,就可以拟合数据的非线性关系。通常,隐藏层节点数设置20~50,激活函数采用Sigmod函数,学习率初始设置为0.01。神经网络层数和节点数越多,所耗费的计算资源越大,S3需要综合考虑预测模型的复杂性和计算资源的限制,以获得高性能的全连接神经网络结构。
S4.在每个隐藏层中,选择若干个神经元嵌入S2中的低保真模型;
S4中的神经元的数量将影响预测模型的复杂性和拟合能力,需要进行合理的调整和优化。
S5.在步骤S1的基础上,结合实验数据和计算数据定义损失函数;在定义损失函数过程中,考虑实验数据和计算数据的权重分配,建立预测模型;
损失函数,是利用加权的方法将实验数据和计算数据融合起来,以提高预测的精度;损失函数Er如下式所示:
其中,ω1和ω2为加权系数,ω1+ω2=1;为计算数据,/>为试验数据,为预测模型的预测值。
S5中需要考虑预测模型的预测结果与实际情况的拟合程度。取ω1+ω2=1,使得训练模型可以有机融合计算数据和试验数据,通过调整ω1和ω2的值,可以对预测模型的预测结果产生一定的影响。
S6.训练神经网络,在损失函数收敛之后对测试集进行测试,确保预测模型实现所需的预测精度。
S6需要进行反复迭代和调整神经网络的超参数,如神经网络的层数、节点数、嵌入的神经元数量,以确保预测模型的性能达到预期水平。
本实施例获得了如图4所示的高超声速导弹的侧向力系数智能预测的结果对比图;从图4可以看出,本发明提出的方法在测试集上的预测效果很好,基本与实验值符合。
本实施例获得了如图5所示的高超声速导弹的侧向力系数智能预测的绝对误差百分比示意图;从图5可以看出,本发明提出的预测方法在测试集上的绝对误差很小,且误差优于3.5%。
尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,对于熟悉本领域的人员而言,在不脱离本发明原理的前提下,本发明公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (7)
1.基于融合理论模型的高速飞行器气动载荷智能预测方法,其特征在于,包括如下步骤:
S1.通过实验和计算的方式获得所需的训练数据,根据要求选择神经网络的输入特征,并将神经网络划分为训练集和测试集;
S2.根据神经网络的输入特征和所需的输出特征,建立具有高速飞行器的气动性能特征的低保真模型;
S3.建立全连接神经网络结构,确定包括神经网络的层数、节点数、激活函数在内的超参数,同时确定隐藏层的数量和位置;
S4.在每个隐藏层中,选择若干个神经元嵌入S2中的低保真模型;
S5.在步骤S1的基础上,结合实验数据和计算数据定义损失函数;在定义损失函数过程中,考虑实验数据和计算数据的权重分配,建立预测模型;
S6.训练神经网络,在损失函数收敛之后对测试集进行测试,确保预测模型实现所需的预测精度。
2.根据权利要求1所述的基于融合理论模型的高速飞行器气动载荷智能预测方法,其特征在于,S2中所述的输入特征包括马赫数、攻角、侧滑角以及模型几何参数。
3.根据权利要求1所述的基于融合理论模型的高速飞行器气动载荷智能预测方法,其特征在于,S2中所述的输出特征为气动载荷。
4.根据权利要求1所述的基于融合理论模型的高速飞行器气动载荷智能预测方法,其特征在于,S2中所述的低保真度模型,是通过输入特征和输出特征拟合的多项式回归模型,多项式的通项公式如下:
其中,x1、x2…xm分别表示各输入特征;nm表示各输入特征对应的阶数;n=n1+n2+…+nm,n表示各输入特征对应的阶数之和;Y为低保真模型的输出值。
5.根据权利要求1所述的基于融合理论模型的高速飞行器气动载荷智能预测方法,其特征在于,S5中所述的损失函数,是利用加权的方法将实验数据和计算数据融合起来,以提高预测的精度;损失函数Er如下式所示:
其中,ω1和ω2为加权系数,ω1+ω2=1;为计算数据,/>为试验数据,/>为预测模型的预测值。
6.根据权利要求1所述的基于融合理论模型的高速飞行器气动载荷智能预测方法,其特征在于,所述的高速飞行器为高超声速导弹。
7.根据权利要求1所述的基于融合理论模型的高速飞行器气动载荷智能预测方法,其特征在于,所述的高速飞行器替换为低速飞行器、跨超声速飞行器或者高超声速飞行器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311428859.8A CN117574756A (zh) | 2023-10-31 | 2023-10-31 | 基于融合理论模型的高速飞行器气动载荷智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311428859.8A CN117574756A (zh) | 2023-10-31 | 2023-10-31 | 基于融合理论模型的高速飞行器气动载荷智能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117574756A true CN117574756A (zh) | 2024-02-20 |
Family
ID=89887194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311428859.8A Pending CN117574756A (zh) | 2023-10-31 | 2023-10-31 | 基于融合理论模型的高速飞行器气动载荷智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574756A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952037A (zh) * | 2024-03-22 | 2024-04-30 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于深度学习的高速飞行器气动力工程估算修正方法 |
-
2023
- 2023-10-31 CN CN202311428859.8A patent/CN117574756A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952037A (zh) * | 2024-03-22 | 2024-04-30 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于深度学习的高速飞行器气动力工程估算修正方法 |
CN117952037B (zh) * | 2024-03-22 | 2024-05-28 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于深度学习的高速飞行器气动力工程估算修正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan | A modification to particle swarm optimization algorithm | |
Kharal et al. | Neural networks based airfoil generation for a given Cp using Bezier–PARSEC parameterization | |
CN117574756A (zh) | 基于融合理论模型的高速飞行器气动载荷智能预测方法 | |
CN105718634A (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 | |
Qiao et al. | A self-organizing RBF neural network based on distance concentration immune algorithm | |
Rajaram et al. | Deep Gaussian process enabled surrogate models for aerodynamic flows | |
Bertrand et al. | Wing airfoil pressure calibration with deep learning | |
Yang et al. | Thermal error modeling by integrating GWO and ANFIS algorithms for the gear hobbing machine | |
CN111832839A (zh) | 基于充分增量学习的能耗预测方法 | |
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 | |
CN111444619A (zh) | 一种注塑模具冷却系统在线分析方法及设备 | |
CN115062551B (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
CN115600492A (zh) | 一种激光切割工艺设计方法及系统 | |
Xie et al. | An effort saving method to establish global aerodynamic model using CFD | |
Amrit et al. | Efficient multi-objective aerodynamic optimization by design space dimension reduction and co-kriging | |
CN112182739A (zh) | 一种飞行器结构非概率可信可靠性拓扑优化设计方法 | |
Liu et al. | Learning-assisted intelligent risk assessment of highway project investment | |
Sarawagi et al. | Deep neural network surrogates for optimal design of helicopter rotor | |
Yang et al. | Research and application of RBF neural network based on modified Levenberg-Marquardt | |
Leng et al. | Variable-fidelity surrogate model based on transfer learning and its application in multidisciplinary design optimization of aircraft | |
Shi et al. | Nonlinear unsteady aerodynamics reduced order model of airfoils based on algorithm fusion and multifidelity framework | |
CN112464541B (zh) | 一种考虑多尺度不确定性的混合复合材料铺层方法 | |
CN117314892B (zh) | 一种基于增量学习的太阳能电池缺陷检测持续优化方法 | |
CN116976011B (zh) | 低高保真度气动数据特征关联深度复合网络模型及方法 | |
Huang et al. | Model Updating for Structural Dynamics of Flexible Wings with Surrogate Approach |
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 |