一种基于阵列型人工毛发传感器的流动参数识别方法技术

本发明专利技术公开了一种基于阵列型人工毛发传感器的流动参数识别方法，该方法步骤包括：建立由固体计算域和流体计算域构成的人工毛发传感器阵列的几何模型；对几何模型进行共节点网格划分，并将流体网格文件导入到CFD软件、固体网格文件导入到有限元软件中；在CFD软件中模拟一系列来流速度的大小和角度下的流场；将CFD模拟得到的人工毛发传感器表面的气动压力作为主要载荷施加在其有限元模型上得到对应的尖端位移；将尖端位移作为输入、来流速度的大小和角度作为输出训练BP神经网络，训练完成的BP神经网络能够用于对区域来流进行监测。该方法还可包括验证步骤。本发明专利技术的方法能够利用人工毛发传感器和人工神经网络对区域来流条件进行监测。件进行监测。件进行监测。

【技术实现步骤摘要】
一种基于阵列型人工毛发传感器的流动参数识别方法


[0001]本专利技术属于流动参数识别
，具体地说是一种基于阵列型人工毛发传感器的流动参数识别方法。

技术介绍

[0002]在空气动力学实验中，传统的流动方向测量主要依靠多孔探针和热线风速仪进行。探针的孔及头部形状极易受加工准确度的影响，因此校准过程复杂且耗时。同样，热线风速仪的缺点在于支杆与热线、热线与热线之间的干扰，也需要经过繁琐的校准。毛发传感器的出现为流动方向测量提供了新的思路。
[0003]毛发传感器是通过仿生学原理，模仿自然界中昆虫身体表面的微型细丝来感知如风速和方向等环境线索的一种微型传感器，其具有鲁棒性和容错性，以及高灵敏度、高带宽、低功耗、小占地面积和低集成成本等优点。
[0004]近年来，国内外许多学者对人工毛发传感器应用于流动参数识别进行研究。美国莱特州立大学研究所的Kaman Thapa Magar教授采用涡格法获得翼型局部流动变量，使用前向神经网络对翼型迎角和来流速度进行预测。但是，目前大部分研究机构依赖于实验和简化的计算方法，对阵列形式的毛发传感器设计效率较低，且精度不高。

技术实现思路

[0005]本专利技术的目的是针对现有技术存在的问题，提供一种基于阵列型人工毛发传感器的流动参数识别方法，该流动参数识别方法通过流
‑
固耦合数值模拟计算和神经网络拟合来识别流动参数，具有精度高、鲁棒性和简便快捷等优点。
[0006]本专利技术的目的是通过以下技术方案解决的：
[0007]一种基于阵列型人工毛发传感器的流动参数识别方法，其特征在于：该识别方法的步骤为：
[0008]A、采用三维建模软件构建由固体计算域和流体计算域构成的人工毛发传感器阵列的几何模型；
[0009]B、对几何模型进行共节点混合网格划分，把带有棱柱形边界层的流体计算域的流体网格文件导入CFD软件中、固体计算域的固体网格文件导入到有限元软件中；
[0010]C、在CFD软件中建立流体流动分析模型；
[0011]D、在有限元软件中建立静力学结构分析模型；
[0012]E、进行单向流
‑
固耦合计算，在CFD软件中设定入口来流速度的大小和角度下的流场，将CFD软件模拟得到的人工毛发传感器表面的气动压力作为主要载荷传递给有限元软件中的静力学结构分析模型，计算得到各人工毛发传感器的尖端位移且作为人工毛发传感器阵列的尖端位移响应；
[0013]F、改变步骤C中的流体流动分析模型的边界条件中的入口来流速度的大小和角度，重复步骤E，获得一系列入口来流速度的大小和角度不同的人工毛发传感器阵列的尖端
位移响应；
[0014]G、将步骤F获得的尖端位移响应作为输入、尖端位移响应对应的入口来流速度的大小和角度作为输出训练多输入多输出的BP神经网络，训练完成的BP神经网络能够用于对区域来流进行监测。
[0015]所述步骤A中的固体计算域为阵列型式的多个相同尺寸的圆柱体构成，固体计算域由圆柱体直径、圆柱体的高度直径比和相邻圆柱体的间距这三个参数控制，其中圆柱体的高度直径比大于15、圆柱体间的横向间距和纵向间距保持一致；所述步骤A中的流体计算域为减去固体计算域的长方腔体。
[0016]所述步骤B中的固体计算域中的固体网格和流体计算域中的流体网格共节点生成；固体计算域包括沿毛发传感器的周向至少10个单元、沿毛发传感器的轴向至少30个单元；流体计算域为非结构混合网格，壁面附近至少有15层棱柱网格以更加精确地求解边界层内流动，棱柱层的总高度为预设来流速度的边界层高度。
[0017]所述步骤C中的流体流动分析模型需要设置流动方程、时空离散方式、边界条件、监测变量、收敛要求和迭代次数；其中，流动方程：采用定常的不可压缩纳维叶
‑
斯托克斯方程，压力速度耦合采用SIMPLE格式、梯度计算采用基于节点的格林
‑
高斯方法；时空离散方式：采用二阶格式对压力进行空间离散、采用二阶迎风格式对动量进行离散；边界条件：使用速度入口、压力出口、无滑移壁面及对称边界类型对相关边界进行设置；监测变量：包括离散后所有网格单元的质量和三个方向动量的均方根残差值、人工毛发传感器表面压力平均值和人工毛发传感器顶部中心点处压力值；收敛要求：所有监测变量的残差需要下降到10
‑6且监测变量的值趋于稳定；迭代次数：不低于3000次迭代。
[0018]所述步骤D中的静力学结构分析模型需要设置固体域的基本单元类型、材料属性、约束条件和载荷传递界面；其中，固体域的基本单元类型：为8节点固体单元，每个固体单元有3个平动自由度；材料属性：为各向同性的高强度玻璃纤维；约束条件：为对每个人工毛发传感器的底部平面进行固定支撑约束，即不可旋转和移动；载荷传递界面：为人工毛发传感器的侧面和顶部平面。
[0019]所述步骤E中的CFD软件模拟计算时：残差达到规定的收敛要求且监测变量保持稳定后，表明计算结束；在所述步骤E中，在流
‑
固耦合的交界面上，有限元模型的固体网格单元节点与流体网格单元节点建立一对一的完全映射关系。
[0020]所述步骤E中的人工毛发传感器的尖端位移指的是细长圆柱体的人工毛发传感器的无约束端顶部圆形平面的平均位移量。
[0021]所述步骤E和步骤F中的入口来流速度的大小设定为5～35m/s、入口来流速度的角度设定为0～27
°
。
[0022]所述步骤G中的BP神经网络为使用神经网络工具箱搭建的多输入多输出的双层BP神经网络，BP神经网络包括输入层单元、单个隐含层单元和输出层单元，隐含层单元的传递函数采用sigmoid函数、输出层单元的传递函数采用线性函数，BP神经网络包括信号前向计算和误差反向传播两个过程，使用向量化数据形式和Levenberg
‑
Marquardt反向传播算法进行训练，BP神经网络的输入需要进行归一化处理、训练中采用均方误差衡量预测值与真实值的吻合程度。
[0023]所述步骤G中的训练完成的BP神经网络需要进行验证，验证方法为：选择若干不同
的入口来流速度的大小和角度重复步骤C
‑
F或者选择步骤F获得的部分工况，对训练完成的BP神经网络进行验证，当入口来流速度的角度预测最大误差不超过6％且入口来流速度的大小预测的最大误差不超过1％，即验证效果达到预期，则训练完成的BP神经网络能够用于监测；若验证效果未达到预期则需返回步骤A并重复步骤A
‑
G重新训练能够用于监测的BP神经网络。
[0024]预期就是入口来流速度的角度(或入口来流速度的方向)预测最大误差不超过6％且入口来流速度的大小预测的最大误差不超过1％。
[0025]本专利技术的技术方案采用流
‑
固耦合计算和人工神经网络对阵列型人工毛发传感器用于流体流动测量进行了说明。流
‑
固耦合计算方法能够得到柔性固体在流体作用下的变形和变形对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于阵列型人工毛发传感器的流动参数识别方法，其特征在于：该识别方法的步骤为：A、采用三维建模软件构建由固体计算域和流体计算域构成的人工毛发传感器阵列的几何模型；B、对几何模型进行共节点混合网格划分，把带有棱柱形边界层的流体计算域的流体网格文件导入CFD软件中、固体计算域的固体网格文件导入到有限元软件中；C、在CFD软件中建立流体流动分析模型；D、在有限元软件中建立静力学结构分析模型；E、进行单向流
‑
固耦合计算，在CFD软件中设定入口来流速度的大小和角度下的流场，将CFD软件模拟得到的人工毛发传感器表面的气动压力作为主要载荷传递给有限元软件中的静力学结构分析模型，计算得到各人工毛发传感器的尖端位移且作为人工毛发传感器阵列的尖端位移响应；F、改变步骤C中的流体流动分析模型的边界条件中的入口来流速度的大小和角度，重复步骤E，获得一系列入口来流速度的大小和角度不同的人工毛发传感器阵列的尖端位移响应；G、将步骤F获得的尖端位移响应作为输入、尖端位移响应对应的入口来流速度的大小和角度作为输出训练多输入多输出的BP神经网络，训练完成的BP神经网络能够用于对区域来流进行监测。2.根据权利要求1所述的基于阵列型人工毛发传感器的流动参数识别方法，其特征在于：所述步骤A中的固体计算域为阵列型式的多个相同尺寸的圆柱体构成，固体计算域由圆柱体直径、圆柱体的高度直径比和相邻圆柱体的间距这三个参数控制，其中圆柱体的高度直径比大于15、圆柱体间的横向间距和纵向间距保持一致；所述步骤A中的流体计算域为减去固体计算域的长方腔体。3.根据权利要求1或2所述的基于阵列型人工毛发传感器的流动参数识别方法，其特征在于：所述步骤B中的固体计算域中的固体网格和流体计算域中的流体网格共节点生成；固体计算域包括沿毛发传感器的周向至少10个单元、沿毛发传感器的轴向至少30个单元；流体计算域为非结构混合网格，壁面附近至少有15层棱柱网格以更加精确地求解边界层内流动，棱柱层的总高度为预设来流速度的边界层高度。4.根据权利要求1所述的基于阵列型人工毛发传感器的流动参数识别方法，其特征在于：所述步骤C中的流体流动分析模型需要设置流动方程、时空离散方式、边界条件、监测变量、收敛要求和迭代次数；其中，流动方程：采用定常的不可压缩纳维叶
‑
斯托克斯方程，压力速度耦合采用SIMPLE格式、梯度计算采用基于节点的格林
‑
高斯方法；时空离散方式：采用二阶格式对压力进行空间离散、采用二阶迎风格式对动量进行离散；边界条件：使用速度入口、压力出口、无滑移壁面及对称边界类型对相关边界进行设置；监测变量：包括离散后所有网格单元的质量和三个方向动量的均方根残差值、人工毛发传感器...

【专利技术属性】
技术研发人员：王岩，郝琪琪，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：