一种融入物理约束的集成深度神经网络气动力建模方法技术

本发明专利技术涉及一种融入物理约束的集成深度神经网络气动力建模方法，计算不同流动参数状态下翼型表面的压力系数C

【技术实现步骤摘要】
一种融入物理约束的集成深度神经网络气动力建模方法


[0001]本专利技术属于属于空气动力学的
，涉及一种融入物理约束的集成深度神经网络气动力建模方法。

技术介绍

[0002]在空气动力学领域内，气动载荷作为飞行器设计和使用中最重要的载荷之一，是飞行器气动外形设计、结构设计、强度校核、控制系统设计等环节的关键输入，可以说气动载荷的预测精度直接关系到飞行器的性能和安全。传统上，在飞机设计初期，一般采用风洞试验或计算流体动力学(Computational Fluid Dynamics,CFD)模拟来获得翼型的气动系数。然而，在型号设计过程中，大量车次的风洞试验不管从经费成本还是时间周期都难以承受。CFD仿真在航空工业中被广泛用于分析不同飞行器在设计过程中的气动性能。与风洞试验或飞行试验相比，这些模拟可以减少时间和成本。然而，在现代飞机的气动设计阶段，高保真CFD模拟通常是一个计算量大、耗时长的迭代过程。数据驱动代理模型是估计先验未知函数分布近似值的有效方法，通常应用于实际工程问题中，因此，代理模型目前开始被认为是预测合理的CFD工具的替代品。
[0003]专利CN201610077146.5采用支持向量机回归方法提出了一种双轴非定常气动力建模方法，专利CN201610863848.6基于极限学习机ELM提出了一种非定常气动力模型参数预测方法。多项式响应曲面法、Kriging模型、支持向量回归、径向基函数、神经网络模型等作为常用的代理模型被广泛应用于解决计算量较大、计算成本较高的黑箱问题中，来减轻计算负担。这些方法的核心就是输入与输出之间的映射模型，通过样本集的学习对模型的参数、构架等进行调整，使其具有较好的拟合效果。
[0004]采用现有方法具有以下缺陷：
[0005](1)在实际工程应用中，采用黑箱模型进行气动力代理模型构建，这种方法可解释性较低，往往需要较大数据量进行学习，然而，样本的获取代价比较高。小样本下，传统的直接建模方法的预测精度不够，泛化能力较低。
[0006](2)CFD计算或风洞试验不仅可以获得集中力信息还可以获得分布力信息，在气动力建模过程中，研究者通常只关注积分后的气动力和力矩信息，分布力信息利用率较低。
[0007]以上缺陷说明，基于传统的深度神经网络模型、Kriging模型等黑箱模型进行气动力建模，往往需要的样本比较多，小样本下，模型的精度不够，泛化能力较低，而且分布力信息利用较低。目前，将分布力信息融入气动力建模过程中的代理模型仍有待发展。

技术实现思路

[0008]要解决的技术问题
[0009]为了避免现有技术的不足之处，本专利技术提出一种融入物理约束的集成深度神经网络气动力建模方法，充分利用采样过程中产生的气动力分布信息，在建模过程中，将分布信息特征作为约束，引导神经网络气动力建模过程。该建模方法将CFD计算或风洞试验产生的
分布载荷信息引入气动力的建模过程中，能够有效降低模型训练样本，提升模型的精度、鲁棒性和泛化性，用于指导后续工作的开展。
[0010]技术方案
[0011]一种融入物理约束的集成深度神经网络气动力建模方法，其特征在于步骤如下：
[0012]步骤1、样本获取：使用数值计算方法计算不同流动参数状态下翼型表面的压力系数C
p
及对应的气动力(C
L
、C
M
)；
[0013]步骤2、分布力信息特征提取：通过本征正交分解技术对压力系数C
p
数据集进行降维，得到对应的POD模态特征，获取不同输入参数对应的POD系数；
[0014]步骤3、分布信息特征融入神经网络进行气动力建模：
[0015]构建两个网络Net1、Net2，组成融入物理约束的集成深度神经网络，两个网络进行统一训练；
[0016]第一个网络Net1构建：输入为流动参数Ma、Re、AOA，若翼型形状发生改变，则输入参数中加入翼型形状对应的CST参数，输出为分布力信息的POD系数α
POD
；
[0017]第二个网络Net2构建：将第一个网络的输入和输出同时作为第二个网络的输入，输出为气动力(C
L
、C
M
)；其中Ma为来流马赫数、Re为雷诺数、AOA为来流迎角，α
POD
为特征提取得到的POD系数，C
L
为升力系数，C
M
为力矩系数；
[0018]步骤4：采用梯度反向传播方法，经过多次的迭代调整神经网络模型内部的权重和偏置项，最终使得神经网络在分布特征的约束下降低模型预测值与真值的差异程度，提升神经网络的精度，完成集成深度神经网络气动力模型的构建；
[0019]其中：所述的神经网络的损失函数，由α
POD
‑
α
POD
、三个部分的误差构成，其中对分布信息特征提取之后得到的POD系数施以缩放因子γ，即γ
×
(α
POD
‑
α
POD
)。
[0020]有益效果
[0021]本专利技术提出的一种融入物理约束的集成深度神经网络气动力建模方法，计算不同流动参数状态下翼型表面的压力系数C
p
及对应的气动力(C
L
、C
M
)，通过本征正交分解技术对压力系数C
p
进行降维，融入物理约束的集成深度神经网络需要构建两个网络，采用梯度反向传播方法，经过一定次数的迭代调整神经网络模型内部的权重和偏置项，最终使得神经网络在分布特征的约束下降低模型预测值与真值的差异程度，提升神经网络的精度。融入物理约束的集成深度神经网络模型是基于多层神经网络构建，具有更强的非线性特征学习能力，具有更强的泛化能力，以实现气动力的高精度预测。
[0022]采用本专利技术所公开的融入物理约束的集成深度神经网络气动力建模方法，相比于传统的Kriging算法和深度神经网络直接建模方法，能够有效提升气动力建模的精度、鲁棒性和泛化性，增加神经网络模型的可解释性。同时，基于融入物理约束的集成深度神经网络气动力建模方法，能够有效利用CFD计算或风洞试验过程中产生的分布载荷信息，减小学习样本的数量，从而降低样本获取的成本，对于指导后续工作开展具有重要意义。
附图说明
[0023]图1为集成深度神经网络气动力建模的流程图
[0024]图2为集成深度神经网络气动力建模的结构示意图
具体实施方式
[0025]现结合实施例、附图对本专利技术作进一步描述：
[0026]在本实施例中具体针求解Reynolds
‑
Averaged Navier
‑
Stokes(RANS)方程得到的计算数据，在气动力建模过程中融入分布力信息的特征作为约束，该方法具体为：
[0027]S1：确定CFD计算的流动状态Ma、Re、AOA参数空间，得到各状态下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融入物理约束的集成深度神经网络气动力建模方法，其特征在于步骤如下：步骤1、样本获取：使用数值计算方法计算不同流动参数状态下翼型表面的压力系数C
p
及对应的气动力(C
L
、C
M
)；步骤2、分布力信息特征提取：通过本征正交分解技术对压力系数C
p
数据集进行降维，得到对应的POD模态特征，获取不同输入参数对应的POD系数；步骤3、分布信息特征融入神经网络进行气动力建模：构建两个网络Net1、Net2，组成融入物理约束的集成深度神经网络，两个网络进行统一训练；第一个网络Net1构建：输入为流动参数Ma、Re、AOA，若翼型形状发生改变，则输入参数中加入翼型形状对应的CST参数，输出为分布力信息的POD系数α
POD
；第二个网络Net2构建：将第一个网络的输入和输出同时作为第二个网络的输入，输出...

【专利技术属性】
技术研发人员：张伟伟，赵旋，邓子辰，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：