【技术实现步骤摘要】
本专利技术涉及激波-边界层干扰流动预测领域。更具体地说，本专利技术涉及一种基于长短时记忆网络的压力梯度流动摩阻预测方法。
技术介绍
1、壁面摩阻是空气动力学问题中最主要物理量之一。当有粘气体/流体经过固体壁时，由于壁面的无滑移条件，主流和壁面的速度差会引起应力。摩擦对高速流动具有重要意义，因为高超音速飞行器总阻力的50％来自摩擦。研究者非常重视准确预测、测量摩阻并了解摩阻的起源，这可以为优化空动布局、优化发动机设计和进行实时流量控制提供支撑。然而，困难在于两个方面，一个是壁面摩阻很小，另一个是测量摩阻需要测量非常靠近壁面的壁面法向梯度。
2、从实验、数值模拟和理论发展了许多预测或测量壁面摩阻的方法和技术。这些方法又分为直接方法和间接方法，区别于是否直接测量壁面应力。在实验上，通过测量应变ε，直接法提供了具有本构关系fcon壁应力。由于ε不容易测量，特别是在飞行试验中，因此专利技术了大量的间接方法。可以用壁面热流、压力、温度或颗粒速度等可测量的量q来表示，经验或拟合关系被构造为cf＝ffit(q)。相关方法有基于压差的方法，如普雷斯顿管[d.w.bechert,"calibration of preston tubes,"aiaa journal 34,205-206(1996).]、k形管[t.zhigong,y.xianxu,q.weiqi,x.hanshan,b.lin,and w.wenzheng,"researchprogress on the fusion ofdata obtainedby high-sp
3、最近，学者开发了数据驱动的方法来预测壁量，这种方法在相对较低的资源需求下实现了高精度。kim和lee提出了一种卷积神经网络(cnn)模型，通过输入附近的壁剪切应力和壁压力波动来预测局部壁热通量。lagemann等人将piv与深度学习框架raft-piv相结合，从光流中推导出壁剪切应力动力学[c.lagemann,k.lagemann,s.mukherjee,andw.schroder,"deep recurrent optical flow learning for particle imagevelocimetry data,"nature machine intelligence 3,641{651(2021).]。他们使用卷积门控递归单元来学习粒子的时空动力学。但是以上方法并没说明在有压力梯度的流动下的适用性。同时其需要物理量在风洞实验等情况下并不容易获得。
技术实现思路
1、本专利技术的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
2、为了实现本专利技术的这些目的和其它优点，提供了一种基于长短时记忆网络的压力梯度流动摩阻预测方法，包括：
3、s1、在地面风洞试验能力或数值计算中得到的数据参数中，选择能影响压力梯度流动摩阻预测的物理量参数；
4、获得流场局部雷诺数rex、马赫数ma∞、近壁流动偏转角φ、壁面局部曲率半径cw和局部壁面压力pw；
5、s2、对s1中的物理量参数进行归一化处理，以得到对应的归一化变量；
6、s3、将s2得到的归一后变量输入长短时记忆网络中，完成对当地摩阻预测。
7、优选的是，在s1中，选择能影响压力梯度流动摩阻预测的物理量参数的方式包括：基于下述的公式一对影响摩阻cf的直接相关物理量进行分析：
8、
9、其中，u∞为来流速度，x为流向坐标，θ为动量厚度，δ*为位移厚度，h为型因子，且h＝δ*-θ；
10、外流满足公式二：
11、
12、p是压力，ρ是密度；
13、通过对方程一、方程二的分析可知，动量通量损失、压力梯度和速度剖面畸变的耦合效应对摩阻产生影响，则通过引入流场局部雷诺数rex和马赫数ma∞来描述边界层的结构，引入近壁流动偏转角φ、壁面局部曲率半径cw和局部壁面压力pw来描述压力梯度特性，并将与边界层的结构、压力梯度特性相关的上述作为输入量。
14、优选的是，在s1中，所述物理量参数包括：流场局部雷诺数rex、马赫数ma∞、近壁流动偏转角φ、壁面局部曲率半径cw和局部壁面压力pw；
15、在s2中，采用下式分别对物理量参数进行：
16、q1＝rex/rexe2
17、q2＝ma∞/1
18、q3＝φ/(π/2)
19、q4＝cw/(1/lx)
20、q5＝pw/p∞
21、上式中，q1为对rex进行归一化处理后的归一后变量，q2为对ma∞进行归一化处理后的归一后变量，q3为对φ进行归一化处理后的归一后变量，q4为对cw进行归一化处理后的归一后变量，q5为对pw进行归一化处理后的归一后变量。
22、优选的是，在s3中，通过参数设置和训练约束的方式对长短时记忆网络进行设定，以完成当地摩阻的预测；
23、其中，所述参数设置包括：将长短时记忆网络的输入特征数量设置为5、lstm层数设置为1、每层神经元个数设置为30、输入输出长度设置为20；
24、所述训练约束包括：
25、s30、将训练集中所有工况的数据，每20个连续数据点为一组，生成数据集；
26、s31、将s30得到的数据集输入长短时记忆网络中，以adams方法为优化方法，最小平方误差为目标，进行训练；
27、其中，在训练中的初始学习率设置为5×10-5,300个周期后以0.9的倍率每200个周期降低一次，在2000个周期后完成训练。
28、本专利技术至少包括以下有益效果：其一，本专利技术精度更高，通过该方法预测的摩阻与真实的摩阻差异小，偏差一般在2％以内，即使局部位置临界分离，差本文档来自技高网...
【技术保护点】
1.一种基于长短时记忆网络的压力梯度流动摩阻预测方法，其特征在于，包括：
2.如权利要求1所述的基于长短时记忆网络的压力梯度流动摩阻预测方法，其特征在于，在S1中，选择能影响压力梯度流动摩阻预测的物理量参数的方式包括：
3.如权利要求1所述的基于长短时记忆网络的压力梯度流动摩阻预测方法，其特征在于，在S1中，所述物理量参数包括：流场局部雷诺数Rex、马赫数Ma∞、近壁流动偏转角Φ、壁面局部曲率半径Cw和局部壁面压力pw；
4.如权利要求1所述的基于长短时记忆网络的压力梯度流动摩阻预测方法，其特征在于，在S3中，通过参数设置和训练约束的方式对长短时记忆网络进行设定，以完成当地摩阻的预测；
【技术特征摘要】
1.一种基于长短时记忆网络的压力梯度流动摩阻预测方法，其特征在于，包括：
2.如权利要求1所述的基于长短时记忆网络的压力梯度流动摩阻预测方法，其特征在于，在s1中，选择能影响压力梯度流动摩阻预测的物理量参数的方式包括：
3.如权利要求1所述的基于长短时记忆网络的压力梯度流动摩阻预测方法，其...
【专利技术属性】
技术研发人员：周文丰，唐明智，胡延超，王刚，谢峰，谢祝轩，方明，杨彦广，
申请(专利权)人：中国空气动力研究与发展中心超高速空气动力研究所，
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。