【技术实现步骤摘要】
本专利技术涉及一种机身湍流微肋条减阻预测方法，具体涉及一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法，属于微肋条减阻。
技术介绍
1、作为一种在交通运输领域具有广阔应用前景的新型减阻技术，微肋条技术研究长期以来收到了国内外相关研究机构的广泛关注。与涡流发生器等传统减阻技术不同，作为一种微米级的特征构型，微肋条在仿真、试验、制备等方面均存在较大的难度，特别是面向边界层内尺度更小的民机机身壁湍流减阻问题。应用于民机机身的微肋条表面肋条间距通常为量级，而民机机身通常为30m，两者特征尺寸相差以上，对于整体铺有微肋条表面的民机机身，在减阻特性数值模拟时，直接对微肋条表面特征进行网格划分存在两方面问题：一是网格量将达到难以承受的数十亿级，二是缺乏合适的计算方法，其中常规的湍流模型不能准确的模拟微肋条表面边界层特征，而直接数值模拟或les等计算方法又明显不适用。为此需结合微肋条减阻机理，以典型微肋条表面减阻数据为支撑，建立更为高效的适用于机身整体性能评估的方法。
技术实现思路
1、本专利技术为了克服传统数值模拟方法在求解机身微肋条的减阻特性时存在计算网格量大、计算方法缺乏所导致的计算代价高、难度大的问题，提供了一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法，在下文中给出了关于本专利技术的简要概述，以便提供关于本专利技术的某些方面的基本理解。应当理解，这个概述并不是关于本专利技术的穷举性概述。它并不是意图确定本专利技术的关键或重要部分，也不是意图限定本专利技术的范围。
2、本
3、一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法，包括以下步骤：
4、s1、以湍流微肋条表面减阻计算数据作为支撑，对数据进行整理，并采用主成分分析方法进行数据降维；
5、s2、通过贝叶斯神经网络方法对步骤s1降维后的数据建立预测概率模型，通过多轮迭代直至预测概率模型损失函数收敛；
6、具体实现过程为：将s1中降维后的数据进行模型训练和搭建，假设神经网络的参数为w，训练集为，其中x为输入数据，y为标签；则给定新的输入数据，新的标签，神经网络权重的先验分布表示为：
7、；
8、其中，表示预测值的分布，表示对似然率建模结果，表示后验概率；
9、为获取后验概率，采用变分推断的方法，即假设，将神经网络中的每个权重以正态分布进行采样，以希望与接近；同时，采用kl散度方法来衡量分布之间的距离，其表达式为：
10、；
11、；
12、；
13、其中，表示模型参数，表示均值，表示标准差，表示第i个参数的均值，表示第i个参数的标准差，表示模型参数最大似然估计，表示模型预估值的分布，表示近似真实后验分布的变分分布，表示先验分布，表示似然函数；
14、贝叶斯神经网络的损失函数表达为：
15、；
16、其中，表示变分分布的对数，表示先验分布的对数，表示似然函数的对数；
17、对当前损失函数进行梯度下降法，从而不断更新值，以获得最优的参数，从而将最优解作为模型训练的权重，进行神经网络搭建；
18、s3、对步骤s2获取的预测概率模型进行预测分析与不确定度量化评估，给出预测值的不确定度范围。
19、进一步地：步骤s1的具体实现方法包括如下步骤：
20、s1.1、在湍流微肋条控制数据中，输入变量有控制部件、飞行状态、参考量、控制参数；其中，控制部件包括：垂尾、机翼、平尾；飞行状态包括：速度、高度、迎角和侧滑角；参考量包括：参考面积、参考长度、参考展长、力矩参考点和速压；控制参数包括：微肋条外形参数与环境参数，其中，微肋条外形包括：无量纲尺寸与微结构形状；输出变量包括阻力增量、阻力分布、俯仰力矩增量与压力分布；
21、s1.2、将s1.1中涉及的数据进行特征降维；假设样本数据的总量为m，样本有 n 个特征，样本数据表示为k；首先，将k形成的矩阵；其次，将矩阵中每一行进行去中心化处理，即每一行的值减去该行的均值；其次，求取协方差矩阵 ，k中的n维度变量简化为：
22、；
23、则协方差矩阵展开式表达为：
24、；
25、其中，cov为协方差，假设对第p与q个变量之间求协方差，在去中心化处理之后，的表达式为：
26、；
27、当时， = ，为方差，在去中心化处理之后，假设对第i个变量求方差，其表达式简化为：
28、；
29、其次，对协方差矩阵进行特征值分解，根据，计算eigen（h），得到特征值和对应的特征向量，将特征向量按对应特征值大小从上到下按行排列成矩阵，取前 行组成矩阵 r，即降低为 维度的样本数据表达式为：
30、。
31、进一步地：步骤s3中预测数据的不确定度评估量化方法，通过分析贝叶斯神经网络中权重系数的分布情况，得出预测状态点的分布，从而建立不确定度预测模型；假设当前预测状态点的分布服从均值，方差为的正态分布，总样本量为n，通过获取标准正态分布表中的z-score，)的置信区间表示为：
32、；
33、其中，表示表示标准正态分布的分位数，表示样本均值；
34、所得的置信区间为最终不确定度量化范围。
35、本专利技术有益效果体现在：
36、相对于现有技术，本专利技术对机身微肋条相关特征进行参数化提取，获取微肋条外形参数、环境参数、飞行状态参数等，并进行参数降维，然后通过贝叶斯神经网络方法对历史数据进行建模，最终实现对未知微肋条构型的阻力增量的精准高效预测，并对预测结果进行不确定度评估。本专利技术有效解决了传统cfd计算方法存在计算成本高、计算代价大的问题，并进一步提高了试验效率，能够完成对机身微肋条的精准且高效的减阻收益评估。
本文档来自技高网...【技术保护点】
1.一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法，其特征在于：步骤S1的具体实现方法包括如下步骤：
3.根据权利要求1或2所述的一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法，其特征在于：步骤S3中预测数据的不确定度评估量化方法，通过分析贝叶斯神经网络中权重系数的分布情况，得出预测状态点的分布，从而建立不确定度预测模型；假设当前预测状态点的分布服从均值，方差为的正态分布，总样本量为n，通过获取标准正态分布表中的z-score，)的置信区间表示为：
4.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-3任一项所述的一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-3任一项所述的一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法的步骤。>...
【技术特征摘要】
1.一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法，其特征在于：步骤s1的具体实现方法包括如下步骤：
3.根据权利要求1或2所述的一种基于贝叶斯概率模型的机身湍流微肋条减阻预测方法，其特征在于：步骤s3中预测数据的不确定度评估量化方法，通过分析贝叶斯神经网络中权重系数的分布情况，得出预测状态点的分布，从而建立不确定度预测模型；假设当前预测状态点的分布服从均值，...
【专利技术属性】
技术研发人员：崔榕峰，张铁军，李帝辰，饶崇，孙爵，葛子玉，姜心淮，
申请(专利权)人：中国航空工业集团公司沈阳空气动力研究所，
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。