【技术实现步骤摘要】
本专利技术涉及cfd不确定度量化，具体是一种cfd多可信度高维相关流场的不确定度量化方法。
技术介绍
1、cfd在航空航天、能源动力、交通运输等重要工程领域发挥了日益重要的作用，与此同时cfd的可信度备受关注。然而cfd中存在不可忽视的不确定因素，包括模型、参数、数值求解等，这也导致cfd的可信度存疑。科学合理量化cfd的不确定度，对cfd可信度评价和提升至关重要。
2、现有的cfd不确定度量化方法，如蒙特卡洛类的随机抽样方法、混沌多项式等，随着输入参数维度和展开阶次增加，需要的样本点数据急剧增加，导致“维数灾难”难题，高昂的计算成本也限制了这些方法在实际问题中的应用。近年来，学者们尝试将机器学习算法引入数值仿真不确定度量化领域，使用代理模型替代复杂模拟系统。由于训练数据的规模、数据的质量等都会影响代理模型的精度和效率，为进一步提升代理模型构建的效率和精度，学者们提出了多可信度建模方法。
3、在cfd中，关注的输出不仅包括单个变量，还可能包括随时间或空间变化的流场变量，例如壁面压力系数分布、飞行器的非定常气动力等。不同位置或时刻的流场变量可能存在潜在的相关性，输出的维度可能高达成百上千。而且不同可信度下的输出维度很可能不同，如不同网格尺度下的流场、不同时间步长下的非定常气动力。但是现有的多可信度模型大多只适用于单个输出的情况。因此，如何发展适用于高维相关流场不确定度量化的多可信度模型，仍是亟待解决的难题。
技术实现思路
1、为克服现有技术的不足，本专利技术提
2、本专利技术解决上述问题所采用的技术方案是：
3、一种cfd多可信度高维相关流场的不确定度量化方法，包括以下步骤：
4、s1，获得输入参数空间的训练样本，然后将获得的训练样本输入分为完整样本输入和不完整样本输入两部分；
5、s2，对于完整样本输入，获得完整样本输入对应的高可信度输出、低可信度输出；对于不完整样本输入，只计算获得不完整样本输入对应的低可信度输出，然后预测不完整样本的高可信度输出；
6、s3，对所有训练样本的高可信度输出进行pod分解，获得正交基函数空间，通过投影得到每个训练样本的基函数系数向量，视为新的样本输出，基于所有训练样本对每个基函数系数分别构建输入参数和基函数系数的kriging预测模型；
7、s4，根据给定的新的输入参数样本，基于kriging预测模型给出对应的基函数系数，然后根据pod分解的双向表达式，还原出完整的流场输出。
8、作为一种优选的技术方案，步骤s1中，采用拉丁超立方抽样方法获得个训练样本输入。
9、作为一种优选的技术方案，步骤s1中，采用基于morris–mitchell判据的交换算法，将训练样本输入分为完整样本输入和不完整样本输入两部分。
10、作为一种优选的技术方案，步骤s1中，采用基于morris–mitchell判据的交换算法，将训练样本输入分为完整样本输入和不完整样本输入两部分，包括以下步骤：
11、s11，从个训练样本输入中随机选择m个样本为完整样本输入集，剩下个样本为不完整样本输入集；
12、s12，计算完整样本输入集的最小距离；
13、s13，从不完整样本输入集依次选择一个样本点，替换完整样本输入集中的第一个样本点；
14、s14，保留最小距离最大化的完整样本输入集，剩下的样本为不完整样本输入集。
15、作为一种优选的技术方案，步骤s2中，采用gappy-pod方法预测不完整样本的高可信度输出。
16、作为一种优选的技术方案，步骤s2中，采用gappy-pod方法预测不完整样本的高可信度输出，包括以下步骤：
17、s21，对于完整样本输入集中的第i个样本，将其输入模型参数记为，低可信度输出向量为，维度为；高可信度输出向量为,维度为，将两者组合成多可信度的样本快照，的维度为；
18、m个完整样本的多可信度输出组合快照构成快照集合，对快照集合使用pod分解，根据广义能准则截断，获得n个正交基函数组成的正交空间，多可信度输出组合快照表示为：
19、
20、其中，表示正交空间，n表示正交基函数的总个数，j表示正交基函数的编号，表示多可信度输出组合快照，表示均值，，表示正交基函数系数向量，。
21、作为一种优选的技术方案，步骤s21中，由最小二乘法获得。
22、作为一种优选的技术方案，步骤s2中，采用gappy-pod方法预测不完整样本的高可信度输出，包括以下步骤：
23、s22，将不完整样本集中的第j个样本的输入模型参数记为，样本快照记为，其中，低可信度输出向量为，的高可信度输出是缺失的，需要补全；
24、定义投影算子，其中，为单位阵，表示转置运算，分别表示的编号为1、2、…、的元素；
25、然后获得展开系数向量，向量的到部分即为预测的。
26、作为一种优选的技术方案，步骤s22中，获得展开系数向量的方法为：
27、
28、经过矩阵运算，得到：
29、；
30、其中，表示的关系式，表示投影算子，表示样本快照，表示正交空间，表示二范数。
31、作为一种优选的技术方案，步骤s2中，对于完整样本输入，通过cfd计算获得完整样本输入对应的高可信度、低可信度输出；对于不完整样本输入，只通过cfd计算获得不完整样本输入对应的低可信度输出。
32、本专利技术采用上述技术方案，具有以下有益效果：
33、（1）本专利技术能够从有限个完整样本数据出发，根据不完整样本的低可信度输出，还原出不完整样本的高可信度输出，避免了在大量样本上进行高可信度cfd计算，大大节省了计算成本；
34、（2）本专利技术在高维相关流场的建模问题上，多可信度建模方法相对于单可信度建模方法在近似相同的样本计算成本下，预测精度显著提升，预测模型也更为稳定。
本文档来自技高网...【技术保护点】
1.一种CFD多可信度高维相关流场的不确定度量化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种CFD多可信度高维相关流场的不确定度量化方法，其特征在于，步骤S1中，采用拉丁超立方抽样方法获得个训练样本输入。
3.根据权利要求2所述的一种CFD多可信度高维相关流场的不确定度量化方法，其特征在于，步骤S1中，采用基于Morris–Mitchell判据的交换算法，将训练样本输入分为完整样本输入和不完整样本输入两部分。
4.根据权利要求3所述的一种CFD多可信度高维相关流场的不确定度量化方法，其特征在于，步骤S1中，采用基于Morris–Mitchell判据的交换算法，将训练样本输入分为完整样本输入和不完整样本输入两部分，包括以下步骤：
5.根据权利要求1所述的一种CFD多可信度高维相关流场的不确定度量化方法，其特征在于，步骤S2中，采用Gappy-POD方法预测不完整样本的高可信度输出。
6.根据权利要求5所述的一种CFD多可信度高维相关流场的不确定度量化方法，其特征在于，步骤S2中，采用Gappy-POD方法
7.根据权利要求6所述的一种CFD多可信度高维相关流场的不确定度量化方法，其特征在于，步骤S21中，由最小二乘法获得。
8.根据权利要求6所述的一种CFD多可信度高维相关流场的不确定度量化方法，其特征在于，步骤S2中，采用Gappy-POD方法预测不完整样本的高可信度输出，包括以下步骤：
9.根据权利要求8所述的一种CFD多可信度高维相关流场的不确定度量化方法，其特征在于，步骤S22中，获得展开系数向量的方法为：
10.根据权利要求1至9任一项所述的一种CFD多可信度高维相关流场的不确定度量化方法，其特征在于，步骤S2中，对于完整样本输入，通过CFD计算获得完整样本输入对应的高可信度、低可信度输出；对于不完整样本输入，只通过CFD计算获得不完整样本输入对应的低可信度输出。
...【技术特征摘要】
1.一种cfd多可信度高维相关流场的不确定度量化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种cfd多可信度高维相关流场的不确定度量化方法，其特征在于，步骤s1中，采用拉丁超立方抽样方法获得个训练样本输入。
3.根据权利要求2所述的一种cfd多可信度高维相关流场的不确定度量化方法，其特征在于，步骤s1中，采用基于morris–mitchell判据的交换算法，将训练样本输入分为完整样本输入和不完整样本输入两部分。
4.根据权利要求3所述的一种cfd多可信度高维相关流场的不确定度量化方法，其特征在于，步骤s1中，采用基于morris–mitchell判据的交换算法，将训练样本输入分为完整样本输入和不完整样本输入两部分，包括以下步骤：
5.根据权利要求1所述的一种cfd多可信度高维相关流场的不确定度量化方法，其特征在于，步骤s2中，采用gappy-pod方法预测不完整样本的高可信度输出。
6.根据权利要...
【专利技术属性】
技术研发人员：陈江涛，赵娇，赵炜，肖维，吕罗庚，张培红，沈盈盈，胡向鹏，吴晓军，
申请(专利权)人：中国空气动力研究与发展中心计算空气动力研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。