CN118428256A - 一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统 - Google Patents

一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统 Download PDF

Info

Publication number
CN118428256A
CN118428256A CN202410454484.0A CN202410454484A CN118428256A CN 118428256 A CN118428256 A CN 118428256A CN 202410454484 A CN202410454484 A CN 202410454484A CN 118428256 A CN118428256 A CN 118428256A
Authority
CN
China
Prior art keywords
boundary layer
data
identification method
layer transition
double
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
Application number
CN202410454484.0A
Other languages
English (en)
Inventor
来五星
黄林
黄永安
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202410454484.0A priority Critical patent/CN118428256A/zh
Publication of CN118428256A publication Critical patent/CN118428256A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于飞行器系统转捩辨识相关技术领域,其公开了一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统,该识别方法包括以下步骤:(1)基于数值模拟计算得到飞行器表面的先验数据,同时基于柔性智能蒙皮采集得到飞行器表面的实测数据;(2)采用集合变换卡尔曼滤波将所述先验数据与所述实测数据进行同化融合以得到飞行器表面的全场压力数据,进而基于所述全场压力数据监测飞行器的各个网格点压力的均方根值出现第一个峰值的位置,该位置即为转捩的起始位置。本发明能够同时满足高精度及实时性好的需求,解决了边界层转捩预测精度和实时性差的技术问题。

Description

一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法 及系统
技术领域
本发明属于飞行器系统转捩辨识相关技术领域,更具体地,涉及一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统。
背景技术
在飞行器设计和飞行控制中,边界层从层流转捩为湍流的问题一直是空气动力学领域的研究热点。随着飞行速度的提高和飞行器结构的复杂化,边界层转捩现象更为常见。湍流边界层的传热系数和壁面摩擦阻力系数远远大于层流边界层,转捩位置用来表征层流区和湍流区的分布,转捩是边界层由层流过渡为湍流的临界区间,该区间飞行器表面的热流特性和摩擦阻力发生急剧变化。精确的转捩辨识与预测研究有助于:(1)提升飞行过程中的安全性,包括飞行员和乘客安全,以及避免与其他飞行器或障碍物的碰撞;(2)优化飞行路径,从而提高燃油效率;(3)评估飞行器的机动性能、设计和改进飞行器、提高飞行器的操纵性和机动性。对于航空工程的多方面至关重要,提高飞行安全性、效率和性能,助力推动航空业发展,具有深远的战略意义。
然而边界层转捩成形与发展具有高度复杂性。首先,不同外界物理场来流导致的转捩不同形态,如外界自由流幅值过大从而引起边界层扰动呈现非线性快速增长将导致旁路转捩,高空中较低湍流度来流诱导的转捩为自由转捩;其次,机翼扰流特性参数中影响转捩的因素众多,如来流湍流度、壁面粗糙度以及表面曲率、压力梯度等,这些机翼扰流特性参数随雷诺数变化的规律很难建立,如在自由转捩的条件下,随着雷诺数从低到高会呈现三种不同的流动发展过程,分别表现为层流、转捩或湍流与激波的相互作用,难以确定转捩位置及转捩区域长度。转捩判据通常适用于特定的转捩类型、飞行器翼型以及工况条件,在工程实际应用中,转捩判断要求高精度、低时延,给转捩研究带来了一定的挑战。目前已有的边界层转捩的研究方法主要包括数值模拟、风洞或飞行试验。
数值模拟方法包括:(1)直接数值模拟(direct numerical simulation,DNS),DNS方法采用非常精细的网格去解析转捩-湍流中的小尺度涡,但计算量大,对计算平台要求较高;(2)大涡模拟(large eddy simulation,LES),LES方法仅模拟大尺度涡并对小尺度涡进行模化处理,存在泛化能力不足的问题;(3)基于RANS(Reynolds-averaged Navier-Stokesequations)的转捩模型,可与CFD进行耦合求解,但考虑的转捩物理机理较少;(4)基于线性稳定性理论的eN方法,其理论基础完备,但未考虑感受性原理,近年来国内外学者正致力于不断改进。综上,数值模拟方法的优势在于采用精细化的网格模拟全域的流场特征,不需要大量的实验设备和材料,且生成的数据方便获取与分析而无需额外的数据采集过程,但数值模拟结果与真实情况存在一定程度的偏差,在复杂流场情况下需消耗大量的计算资源且导致误差的累积。因而需对数值模拟结果进行验证和实验对比。
风洞或飞行试验的优势在于通过丰富的测量技术获取海量流场数据,用以揭示转捩机理,对数值计算中的模型系数进行标定及验证计算结果,其真实性高、无需假设模型,但成本高昂、周期长、难以复现特殊或极端情况,且试验数据的采集易受技术限制或误差影响其准确性和可靠性。传统风洞测量技术如热线风速仪、红外热测量、压敏漆等存在灵活性与可塑性差、易干扰表面流场、采集困难等不足,而近年来兴起的柔性智能蒙皮能适应各种复杂的气动表面形状,灵活性和可塑性更好,具备良好的动态性能,不干扰气动表面流场的同时兼备多点高精确度测量能力,在对风洞流动品质及测量精度要求苛刻的转捩试验中具备良好的应用前景。
边界层转捩的预测问题较为复杂,需综合风洞或飞行试验与数值模拟的结果,相互验证以促进转捩机理的应用。
鉴于上述边界层转捩判据存在的难点,一些用于转捩预测的方法被提出。如专利CN202011154867.4提出基于转捩模型的神经网络转捩预测方法,即通过神经网络构建当地流场平均特征量与间歇因子之间的映射,获取的间歇因子与湍流模型耦合,通过流体力学求解器输出转捩流场预测结果,减少了偏微分方程的计算量,保证了计算效率,但其训练集为CFD计算结果,进行预测时未考虑飞行器表面实测数据情况,且仍需要进行运输方程的求解;专利CN 202110573609.8基于线性稳定性理论的eN方法,通过监测边界层中不同频率和波数的小扰动波的放大倍数是否达到其临界值Ntr来判断是否发生转捩,虽考虑飞行试验数据,但其标定过程过多依赖于经验;专利CN202211679160.4通过迭代的方式,在扰动传播方向上不断搜索,以获取飞行器表面目标网格点的最终N值,基于所有目标网格点的最终N值进行飞行器转捩位置的预测,提升了效率,但迭代过程也造成了一定计算资源的消耗。专利CN202310322601.3基于神经网络,将平板等流场数据作为网络输入,提取特征参数构建流场特征与扰动增长之间的非线性关系,通过输入流场特征得到扰动增长率的模型输出,当扰动达到一定程度时预测转捩即将发生,本质上依旧是基于线性稳定性理论的eN方法,对经验公式依赖性强;又如专利CN202111402920.2根据水下航行器的流场数值仿真数据进行编码后建立训练集和测试集,卷积神经网络将编码后的流场数据作为输入,最终得到转捩点坐标,解决了传统转捩方法单点检测的不足,但检测方法的训练数据全部来自于模拟仿真,未考虑模拟仿真数据与真实流场数据之间的差异,对转捩点坐标检测的精度会产生一定的影响。综上所述,目前存在的边界层转捩预测方法无法满足转捩预测在工程应用上的高精度且实时性好的需要。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统,其能够同时满足高精度及实时性好的需求,解决了边界层转捩预测精度和实时性差的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法,该识别方法包括以下步骤:
(1)基于数值模拟计算得到飞行器表面的先验数据训练神经网络模型以替代传统CFD数值模拟过程,从而快速预测得到流场先验分布,同时基于柔性智能蒙皮采集得到飞行器表面的实测数据;
(2)采用集合变换卡尔曼滤波将所述先验数据与所述实测数据进行同化融合以得到飞行器表面的全场压力数据,进而基于所述全场压力数据监测飞行器的各个网格点压力的均方根值出现第一个峰值的位置,该位置即为转捩的起始位置。进一步地,所述先验数据是通过CFD方法计算得到,通过以先验数据为输入训练神经网络模型,旨在仅输入自由流条件和机翼几何参数即可快速预测得到流场先验分布,以替代需花费长时间求解计算的传统CFD方法。
进一步地,通过所述双分支卷积神经网络得到所述先验数据时,首先基于Fluent构建神经网络训练集,再对双分支卷积神经网络进行训练,进而基于训练好的所述双分支卷积神经网络计算得到所述先验数据。
进一步地,所述双分支卷积神经网络的获取步骤为:
步骤1.1:学习任务可定义为y=f(Ω,Ψ;w),在构建的训练集由自由流条件和机翼的几何信息组成,自由流条件表示为Ω=[M,Re],机翼几何信息表示为Ψ关于九个无量纲参数的函数,w代表神经网络的训练参数,各输入变量均为二维张量形式,即imax×jmax,分别为沿着机翼表面方向及法线方向网格的最大索引,所有输入参数共同构成三维张量X;
步骤1.2:基于U-net架构,自由流条件和机翼几何参数信息分别组成的三维张量经过双分支编码器进行编码,编码器由卷积和下采样过程组成,双卷积与池化过程交替进行四次完成编码过程;
步骤1.3:自由流条件与机翼几何参数信息分别经过双分支编码过程之后提取的特征需先进行特征融合才可经过跳跃连接参与到解码过程,特征融合基于多通道注意力机制实现;
步骤1.4:由上采样和卷积组成,用于恢复原始分辨率;跳跃连接的输入来自于每层编码后的双分支融合特征,叠加到上采样的结果中进行双卷积操作,此类过程交替进行四次完成解码过程;
步骤1.5:所采用的损失函数M为训练集样本总数,若达到精度要求,直接退出迭代过程,得到训练后的模型参数;否则,返回至步骤1.2。
进一步地,多尺度通道注意力模块通过改变空间池大小,在多个尺度上实现通道关注,选择点向卷积(PWConv)作为本地通道上下文聚合器,利用每个空间位置的点向通道相互作用,则局部通道上下文表示为:Loc(X)=β(PWConv2(δ(β(PWConv1(X))))),与输入X具有相同的形状,全局通道上下文表示为由全局平均池化得来,其中δ表示整流线性单元ReLU,β表示批处理归一化过程,σ是sigmoid函数;最后特征输出为至此为多尺度通道注意力模块。
进一步地,基于集合变换卡尔曼滤波,以稀疏实测数据中包含的特征对双分支卷积神经网络计算的先验数据进行滤波。
进一步地,同化融合的步骤为:
步骤2.1:根据初始工况,通过拉丁超立方抽样方法在初始工况上下范围内提取一组L个特定工况的集合;
步骤2.2:通过双分支卷积神经网络获取集合中每个特定工况下的流场先验分布,用向量xt表示,包含所有网格节点上的物理属性如压力、速度、密度,以及对应的工况条件xt=[α Ma ρ1 p1 v1 ... ρr pr vr]T(r表示网格节点数量),根据拉丁超立方抽样的工况集合对应的流场先验分布表示为: 表示第l组工况下的先验分布;
步骤2.3:根据流场先验分布矩阵,对其中L个向量中各元素求均值得到先验均值为 先验偏差矩阵为
步骤2.4:计算卡尔曼增益系数 是经由抽样集合计算得到的协方差矩阵,Ht是标记实际测点对应机翼网格上具体位置的投影矩阵,映射为实际测点的网格标记为数字1,Rt是观测噪声协方差矩阵,由正态分布随机数计算而来;
步骤2.5:计算得到后验分布,后验分布依赖于先验分布矩阵和实验获取的测量数据矩阵Yt,维度与保持一致,Yt=[yt ... yt]1×L,yt=[p1 ... pN]代表某个特定工况下N个测点的实测压力值,基于以上得到后验分布均值矩阵集合卡尔曼滤波的后验分布由均值与方差组合而来,即:后验偏差矩阵由协方差期望传播方程计算而来。
进一步地,若计算得到的后验分布中物理量的均方误差小于原始的0.5%,则认为满足迭代收敛条件,由后验分布中的工况作为修正后的边界条件,否则转至步骤2.2直至收敛。
本发明还提供了一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别系统,所述系统包括存储器及处理器,所述存储器储存有计算机程序,所述处理器执行所述计算机程序时执行如上所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现如上所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统主要具有以下有益效果:
1.本发明将计算所得的先验数据与实测数据共同经过集合变换卡尔曼滤波完成数据同化融合,得到修正后的高精度的全空间流场特征分布,继而监测全翼面压力分布的均方根特征,捕捉第一均方根峰值出现的位置即为转捩发生位置,由此结合了先验数据及实测数据,同时保证了高精度和较好的实时性,解决了边界层转捩预测精度和实时性差的技术问题。
2.本发明所采用的双分支卷积神经网络和基于通道注意力机制的特征融合方法,可较好的分别提取自由流条件特征与几何特征,并依照训练得到的合理权重进行特征融合,充分考虑了网络输入信息的差异性。
3.本发明中采取的方法实现流程较为简易,易于编程,能够较好的解决飞行器边界层转捩预测算法易操作性和准确性问题。
4.本发明针对飞行器边界层转捩预测问题,基于通道注意力机制和双分支卷积神经网络建立一种基于智能蒙皮感知数据驱动的边界层转捩预测方法,能够对不同服役条件下的飞行器边界层转捩情况进行精确预测,提供了飞行器实际飞行过程中的飞行决策指导。
附图说明
图1是本发明提供的一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法的流程图;
图2是训练集网格坐标转换的示意图;
图3是双分支卷积神经网络的结构图;
图4是边界层转捩预测系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1及图2,本发明提供了一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法,本发明构建的神经网络模型可根据所给工况快速得到机翼表面及周围的流场先验分布,此流场分布的获取相比于传统CFD软件的流场求解获取具有更好的时效性,将流场分布预测的时间降低到秒级别,省去了传统方法几个小时的计算时间。但完全依赖CFD数值模拟的仿真数据而训练的神经网络未考虑在飞行器运行过程中机翼表面的实际流场情况,存在实际工况与理想工况之间的差异,故需采用本发明中的数据同化方法,基于机翼表面智能蒙皮采集到的真实压力数据,对神经网络输出的先验流场分布进行工况修正,即融合实测数据和神经网络的模拟仿真结果,得到一套考虑了机翼表面实际流场情况的修正工况,以此修正工况为基准,再次通过神经网络映射输出得到修正后的流场分布则兼具了时效性和准确性,是转捩点精确实时识别的基础。最后,只需监测机翼表面修正后的流场分布,关注其压力均方根值的第一个峰值,即为转捩点的起始位置,值得注意的是,神经网络输出的修正后的流场分布采取的是通过网格对连续物理空间进行离散化的表达形式,在空间分辨率上得到了很大的提升,即得到的是一个相对连续分布的流场压力数据,进一步提高了转捩点识别的位置精度。
所述识别方法主要包括以下步骤:
步骤一,基于数值模拟计算得到飞行器表面的先验数据训练神经网络模型以替代传统CFD数值模拟过程,从而快速预测得到流场先验分布,同时基于柔性智能蒙皮采集得到飞行器表面的实测数据。
其中,所述先验数据可以通过CFD方法计算得到,通过以先验数据为输入训练神经网络模型,旨在仅输入自由流条件和机翼几何参数即可快速预测得到流场先验分布,以替代需花费长时间求解计算的传统CFD方法。
其中,通过所述双分支卷积神经网络得到所述先验数据时,首先基于Fluent构建神经网络训练集,再对双分支卷积神经网络进行训练,进而基于训练好的所述双分支卷积神经网络计算得到所述先验数据。具体包括以下步骤:
步骤1,基于Fluent构建神经网络训练集。
步骤1.1:使用ICEM软件对确定型号机翼模型进行网格划分,采取合适的结构化网格类型及网格的几何参数,可将笛卡尔坐标系原点设置为机翼前缘点,生成对应的机翼网格后缀.msh文件。随后在Fluent软件中打开生成的网格文件,检查其几何尺寸以满足实际几何要求,必要时可进行模型缩放。
步骤1.2:因转捩场景涉及可压缩流动,需打开能量方程选择湍流模型,考虑到计算开销以及流动分布情况,可选择适合计算翼型、飞机机身边界层流动的SA湍流模型,模拟性能佳且计算开销小,然后设置空气密度符合理想气体状态方程,边界类型设置为压力远场,并同时设置相应的马赫数和攻角系数,至此完成参数设置。
步骤1.3:选择Hybrid方法进行计算初始化后开始迭代计算,直至结果符合设定的残差限并收敛,此时即可导出包含根据网格序号分布的流场属性信息的txt文件。
步骤1.4:对于密集的网格而言,相邻网格的流动属性参数往往相似,若将每个网格都当作一个神经网络输入样本则会导致很多冗余样本,增加训练时间,同时也要考虑整个流场域网格密度不均带来的样本分布不平衡问题,故采取特征距离抽样方法以简化网格,通过选取更有代表性的样本来逼近原始样本空间,具体步骤为:
S1:首先确定训练样本组S期望采样到的样本数量K以及常数λ(λ>1)和迭代误差限δ,然后从原始样本数据集T中随机选取一个网格序号的数据点作为训练样本空间的第一个元素,此时训练集元素数量k=1。
S2:计算样本集中的Td数据点与样本组S中各元素Sc之间的最小特征距离Q是特征数量,当最小特征距离小于δ时(说明待采样的样本点与已采样的所有样本点差异已经足够大),Td(d代表序号,q代表特征号)则作为新元素添加到训练样本组S中,否则丢弃。
S3:重复步骤S2直到遍历完整个原始网格样本集T。
S4:遍历完整个原始样本数据集后,如果采样之后的样本集S的大小k达到预先设定的采样数量K时,停止迭代;否则降低采样点的差异要求,修正δ的大小为δ/λ,返回到步骤S2重新执行。
步骤1.5:完成步骤1.4样本采样后,需将样本坐标信息从物理空间(x,y)的坐标映射到计算空间(ε,η)的曲线坐标系上,以符合神经网络的归一化的输入习惯。
如图2所示,这里定义曲线坐标含义为:沿着翼面方向沿着翼面法向i为沿着翼面方向的网格索引号,j为沿着翼面法向的网格索引号,imax和jmax分别表示两个方向上网格的索引号,η=0表示网格处于机翼表面,将值域限制在[0,1]之间。
在笛卡尔物理坐标系中,任意网格的物理坐标可以表示为:
i和j分别为网格在曲线坐标系下的两个索引号,由于无量纲形式更有利于提取特征,于是将任意网格的坐标信息表示为如下无量纲形式:
因此,神经网络输入的网格几何信息可以表示为如下矩阵形式:
另外,输入的自由流条件考虑到与几何信息矩阵的维度对齐,将其扩充为imax×jmax的矩阵形式,即:
步骤1.6:最后训练集由3个自由流条件与9个机翼无量纲几何参数组成,每个曲线坐标代表一个网格,均有对应的12个参数,构成imax×jmax×12的三维数据。
步骤2:双分支卷积神经网络训练,进而计算得到先验数据。
基于数值模拟方法构建的数据集训练双分支卷积神经网络,用于流场推演模型的开发,使得训练后的网络只需要以自由流条件(攻角、马赫数、雷诺数)和机翼几何信息作为输入,即可快速输出该工况下机翼周围流场的全场分布情况(包含密度、速度等物理属性)。
请参阅图3,双分支卷积神经网络的搭建过程如下:
步骤2.1:学习任务可定义为y=f(Ω,Ψ;w),在构建的训练集由自由流条件和机翼的几何信息组成,自由流条件表示为Ω=[M,Re],机翼几何信息表示为Ψ关于九个无量纲参数的函数,w代表神经网络的训练参数,各输入变量均为二维张量形式,即imax×jmax,分别为沿着机翼表面方向及法线方向网格的最大索引,所有输入参数共同构成三维张量X。
步骤2.2:编码过程,基于U-net架构,自由流条件和机翼几何参数信息分别组成的三维张量经过双分支编码器进行编码,编码器由卷积和下采样过程组成,双卷积与池化过程交替进行四次完成编码过程。其中卷积核结构设置为3×3,padding为0,striding为1,用于提取特征,池化用于降低维度。
步骤2.3:特征融合过程,自由流条件与机翼几何参数信息分别经过双分支编码过程之后提取的特征需先进行特征融合才可经过跳跃连接参与到解码过程,特征融合基于多通道注意力机制实现,通过评估每个通道的重要性程度,提升网络表达特征的能力。双分支输出流作为特征融合模块的X1,X2两端输入,融合权重M(X1+X2)由0-1之间的实数组成,则输出可以表示为表示网络输出在X1和X2之间通过通道重要程度进行加权获得。
多尺度通道注意力模块通过改变空间池大小,在多个尺度上实现通道关注,选择点向卷积(PWConv)作为本地通道上下文聚合器,利用每个空间位置的点向通道相互作用,则局部通道上下文可表示为:Loc(X)=β(PWConv2(δ(β(PWConv1(X))))),与输入X具有相同的形状,可以保留和突出低级特征中的细节,全局通道上下文表示为由全局平均池化得来,其中δ表示整流线性单元ReLU,β表示批处理归一化过程,σ是sigmoid函数。
最后特征输出为至此为多尺度通道注意力模块(MS-CAM)。
步骤2.4:解码过程,由上采样和卷积组成,用于恢复原始分辨率。跳跃连接的输入来自于每层编码后的双分支融合特征,叠加到上采样的结果中进行双卷积操作,此类过程交替进行四次完成解码过程。
步骤2.5:迭代过程,所采用的损失函数M为训练集样本总数,若达到精度要求,直接退出迭代过程,得到训练后的模型参数;否则,返回至步骤2.2。最后输出数值模拟的全域流场特征y=[ρ,u,v,a]。
通过步双分支卷积神经网络得到自由流条件下数值模拟的全域流场分布进而得到机翼表面全域压力分布情况。为进一步提高转捩预测精度,需考虑飞行器表面的实际情况,可通过柔性智能蒙皮实时监测飞行器表面的实测压力,以此为真值来修正数值模拟的压力分布结果以提高转捩预测精度。对于柔性智能蒙皮实测数据需先进行数据预处理,包括数据清洗与数据异常校正。
步骤二,采用集合变换卡尔曼滤波将所述先验数据与所述实测数据进行同化融合以得到飞行器表面的全场压力数据,进而基于所述全场压力数据监测飞行器的各个网格点压力的均方根值出现第一个峰值的位置,该位置即为转捩的起始位置。
在一个实施方式中,通过数据同化方法将基于卷积神经网络得到的先验机翼全空间物理场与基于柔性智能蒙皮采集到的实际测量数据进行融合,可降低实测值与数值模拟值之间的误差,将实测的离散真实值推广到全域物理场,兼顾实时性与准确性。基于集合变换卡尔曼滤波,以稀疏实测数据中包含的特征对双分支卷积神经网络计算的先验结果进行滤波,由此得出连续后验估计结果以使精度逼近真实值。
数据同化的步骤为:
步骤3.1:根据初始工况(特定攻角与马赫数),通过拉丁超立方抽样方法在初始工况上下范围内提取一组L个特定工况的集合。
步骤3.2:通过双分支卷积神经网络获取集合中每个特定工况下的流场先验分布,用向量xt表示,包含所有网格节点上的物理属性如压力、速度、密度,以及对应的工况条件(攻角、马赫数):
xt=[α Ma ρ1 p1 v1 ... ρr pr vr]T,r表示网格节点数量,基于此,根据拉丁超立方抽样的工况集合对应的流场先验分布可表示为:
步骤3.3:计算先验均值与偏差,根据步骤4.2的流场先验分布矩阵,对其中L个向量中各元素求均值得到先验均值为 先验偏差矩阵为
步骤3.4:计算卡尔曼增益系数 是经由抽样集合计算得到的协方差矩阵,Ht是标记实际测点对应机翼网格上具体位置的投影矩阵,映射为实际测点的网格标记为数字1,Rt是观测噪声协方差矩阵,由正态分布随机数计算而来。
步骤3.5:计算得到后验分布,后验分布依赖于先验分布矩阵和实验获取的测量数据矩阵Yt,维度与保持一致,Yt=[yt ... yt]1×L,yt=[p1 ... pN]代表某个特定工况下N个测点的实测压力值,基于以上得到后验分布均值矩阵集合卡尔曼滤波的后验分布由均值与方差组合而来,即:后验偏差矩阵由协方差期望传播方程计算而来。若计算得到的后验分布中物理量的均方误差小于原始的0.5%,则认为满足迭代收敛条件,由后验分布中的工况(攻角、马赫数)作为修正后的边界条件,否则转至步骤3.2直至收敛。
步骤3.6:根据获取的修正后的工况条件,继续代入双分支卷积神经网络,得到修正后的流场分布,为转捩预测提供全场数据。
在一个实施方式中,对柔性智能蒙皮上分布的离散压力传感测点实时数据进行监测,第n个传感器压力特征的均方根值可表示为是一个采样周期内某个传感器压力的均值,s表示时间步的序号。基于以上步骤,可将离散的压力测量值推广至沿机翼表面的全场压力数据,且兼顾准确性与实时性,在此基础上,监测全翼面各网格点压力的均方根值出现的第一个峰值,即可判定为转捩的起始位置。且网格划分越精细,转捩位置精度越高。
如图4所示,在以上边界层转捩识别方法的基础上,构建一种基于柔性智能蒙皮的采集-分析-决策-控制一体化的边界层转捩预测系统以集成算法,其中:
硬件层包括柔性智能蒙皮、NI数据采集箱、FPGA采集板卡以及部署在本地工控机上的时序数据库。多功能智能蒙皮能贴装于不同类型的飞行器模型表面,具有不破坏模型、易于安装等特点;NI数据采集箱与自研FPGA数据采集板卡用于采集柔性智能蒙皮感知的多物理场高频海量数据,数据准确性高、延迟小。
功能层由C++编写的与外界交互的接口组成,包括数据库客户端用于存储预测系统的历史数据;高速数据采样模块负责与NI数据采集箱和FPGA板卡进行通讯和基于UDP协议的数据交换;信号分析处理模块调用Python接口用于数据清洗与预处理;流场预测网络模型提前训练好参数,用于流场快速数值模拟;数据同化模块用于修正流场数值模拟结果;数据监测模块用于监测模型全翼面压力均方根峰值以提示转捩现象;可视化渲染模块用于实时观测转捩时的流场细节。
应用层基于Qt框架编写,界面由工具组件、菜单组件及显示组件构成;显示组件接收功能层可视化模块的渲染数据;当功能层数据监测模块提示转捩出现时,由应用层决策组件根据转捩出现位置及转捩区域长度给出机翼的应对策略,控制组件根据策略进行位姿调整以适应转捩现象,在具体实施中完成采集-分析-决策-控制一体化的工作流程。
本发明还提供了一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别系统,所述系统包括存储器及处理器,所述存储器储存有计算机程序,所述处理器执行所述计算机程序时执行如上所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现如上所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法。
本领域的技术人员容易理解,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 (10)

1.一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法,其特征在于,该识别方法包括以下步骤:
(1)基于数值模拟计算得到飞行器表面的先验数据,同时基于柔性智能蒙皮采集得到飞行器表面的实测数据;
(2)采用集合变换卡尔曼滤波将所述先验数据与所述实测数据进行同化融合以得到考虑飞行器表面实际情况的修正后工况下的飞行器表面的全场压力数据,进而基于所述全场压力数据监测飞行器的各个网格点压力的均方根值出现第一个峰值的位置,该位置即为转捩的起始位置。
2.如权利要求1所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法,其特征在于:所述先验数据是通过CFD方法计算得到,或者通过输入参数为自由流条件和机翼几何参数的双分支卷积神经网络得到。
3.如权利要求2所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法,其特征在于:通过所述双分支卷积神经网络得到所述先验数据时,首先基于Fluent构建神经网络训练集,再对双分支卷积神经网络进行训练,进而基于训练好的所述双分支卷积神经网络计算得到所述先验数据。
4.如权利要求3所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法,其特征在于:所述双分支卷积神经网络的获取步骤为:
步骤1.1:学习任务可定义为y=f(Ω,Ψ;w),在构建的训练集由自由流条件和机翼的几何信息组成,自由流条件表示为Ω=[M,Re],机翼几何信息表示为Ψ关于九个无量纲参数的函数,w代表神经网络的训练参数,各输入变量均为二维张量形式,即imax×jmax,分别为沿着机翼表面方向及法线方向网格的最大索引,所有输入参数共同构成三维张量X;
步骤1.2:基于U-net架构,自由流条件和机翼几何参数信息分别组成的三维张量经过双分支编码器进行编码,编码器由卷积和下采样过程组成,双卷积与池化过程交替进行四次完成编码过程;
步骤1.3:自由流条件与机翼几何参数信息分别经过双分支编码过程之后提取的特征需先进行特征融合才可经过跳跃连接参与到解码过程,特征融合基于多通道注意力机制实现;
步骤1.4:由上采样和卷积组成,用于恢复原始分辨率;跳跃连接的输入来自于每层编码后的双分支融合特征,叠加到上采样的结果中进行双卷积操作,此类过程交替进行四次完成解码过程;
步骤1.5:所采用的损失函数M为训练集样本总数,若达到精度要求,直接退出迭代过程,得到训练后的模型参数;否则,返回至步骤1.2。
5.如权利要求4所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法,其特征在于:多尺度通道注意力模块通过改变空间池大小,在多个尺度上实现通道关注,选择点向卷积(PWConv)作为本地通道上下文聚合器,利用每个空间位置的点向通道相互作用,则局部通道上下文表示为:Loc(X)=β(PWConv2(δ(β(PWConv1(X))))),与输入X具有相同的形状,全局通道上下文表示为由全局平均池化得来,其中δ表示整流线性单元ReLU,β表示批处理归一化过程,σ是sigmoid函数;最后特征输出为至此为多尺度通道注意力模块。
6.如权利要求1-5任一项所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法,其特征在于:基于集合变换卡尔曼滤波,以稀疏实测数据中包含的特征对双分支卷积神经网络计算的先验数据进行滤波。
7.如权利要求6所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法,其特征在于:同化融合的步骤为:
步骤2.1:根据初始工况,通过拉丁超立方抽样方法在初始工况上下范围内提取一组L个特定工况的集合;
步骤2.2:通过双分支卷积神经网络获取集合中每个特定工况下的流场先验分布,用向量xt表示,包含所有网格节点上的物理属性如压力、速度、密度,以及对应的工况条件xt=[αMaρ1p1 v1...ρr pr vr]T,r表示网格节点数量,根据拉丁超立方抽样的工况集合对应的流场先验分布表示为: 表示第l组工况下的先验分布;
步骤2.3:根据流场先验分布矩阵,对其中L个向量中各元素求均值得到先验均值为先验偏差矩阵为
步骤2.4:计算卡尔曼增益系数 是经由抽样集合计算得到的协方差矩阵,Ht是标记实际测点对应机翼网格上具体位置的投影矩阵,映射为实际测点的网格标记为数字1,Rt是观测噪声协方差矩阵,由正态分布随机数计算而来;
步骤2.5:计算得到后验分布,后验分布依赖于先验分布矩阵和实验获取的测量数据矩阵Yt,维度与保持一致,Yt=[yt...yt]1×L,yt=[p1...pN]代表某个特定工况下N个测点的实测压力值,基于以上得到后验分布均值矩阵集合卡尔曼滤波的后验分布由均值与方差组合而来,即:后验偏差矩阵由协方差期望传播方程计算而来。
8.如权利要求7所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法,其特征在于:若计算得到的后验分布中物理量的均方误差小于原始的0.5%,则认为满足迭代收敛条件,由后验分布中的工况作为修正后的边界条件,否则转至步骤2.2直至收敛。
9.一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别系统,其特征在于:所述系统包括存储器及处理器,所述存储器储存有计算机程序,所述处理器执行所述计算机程序时执行权利要求1-8任一项所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1-8任一项所述的基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法。
CN202410454484.0A 2024-04-16 2024-04-16 一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统 Pending CN118428256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410454484.0A CN118428256A (zh) 2024-04-16 2024-04-16 一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410454484.0A CN118428256A (zh) 2024-04-16 2024-04-16 一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统

Publications (1)

Publication Number Publication Date
CN118428256A true CN118428256A (zh) 2024-08-02

Family

ID=92320611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410454484.0A Pending CN118428256A (zh) 2024-04-16 2024-04-16 一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统

Country Status (1)

Country Link
CN (1) CN118428256A (zh)

Similar Documents

Publication Publication Date Title
CN116644608B (zh) 一种基于海洋环境数据的实海域船舶运动预报方法及系统
CN108805350B (zh) 基于多维蒙特卡洛理论的搜救范围预测方法
GB2547816B (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
CN108801387B (zh) 一种基于学习模型的飞机油箱剩余油量测量系统和方法
CN112711899B (zh) 一种蒸发波导高度的融合预测方法
CN108763683B (zh) 一种三角函数框架下新weno格式构造方法
CN110633790B (zh) 基于卷积神经网络的飞机油箱剩余油量测量方法和系统
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及系统
US11442076B2 (en) System and method for wind flow turbulence measurement by LiDAR in a complex terrain
CN105157590A (zh) 一种基于三维激光扫描技术的建构物健康监测系统
Wintzer et al. Adjoint-based adaptive mesh refinement for sonic boom prediction
CN113868971B (zh) 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法
JP7403690B2 (ja) 複雑地形においてLiDARで高速の風の流れを測定するためのシステムおよび方法
CN110162895B (zh) 一种两阶段的高能效船型优化设计方法
CN112100835A (zh) 一种适用于复杂流动的高效高精度数值模拟方法
CN112446091A (zh) 一种基于人工神经网络的脉动压力预测方法
CN116227359A (zh) 基于注意力和卷积神经网络编解码器的流场预测方法
CN111693999A (zh) 基于雷达测风组合策略的多传感器融合风速风向估计方法
CN115342814A (zh) 一种基于多传感器数据融合的无人船定位方法
CN109190232B (zh) 一种飞机平尾区动能损失计算评估方法
CN114693932A (zh) 一种大型飞机大部件点云语义分割方法
CN117421701B (zh) 一种自升式平台桩腿三维空间姿态分布式监测方法
CN110362902A (zh) 一种基于区间逐维分析的单源动载荷识别方法
CN117195402A (zh) 一种基于卷积神经网络的飞翼式无人机头波速度预测模型建模方法
CN118428256A (zh) 一种基于柔性智能蒙皮感知数据驱动的边界层转捩识别方法及系统

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