一种飞行器飞行过程中驻点热流的在线预示方法

本发明涉及一种飞行器飞行过程中驻点热流的在线预示方法，适用于飞行器实际飞行期间对驻点热流的预示。

背景技术：

高超声速飞行面临严重的气动加热问题。由于空气受到强烈的摩擦和压缩作用，大量动能转化为热能，致使飞行器周围空气温度急剧升高，高温影响飞行器的结构强度和刚度，甚至引起外表面的烧蚀破坏。热防护系统设计是高超声速飞行技术快速发展的重要支撑，其研究设计需要大量的飞行试验的测试数据。对飞行器服役过程中的温度、热流等关键参数的测量是评价热防护材料使用性能、验证气动热模型和算法、指导热防护设计的必要手段。但对于驻点等热流密度大的区域，通常不能直接安置温度传感器或热流传感器进行测量，一方面是由于结构开孔导致结构强度下降以及缝隙加热，引起烧蚀不同步等结构匹配问题；另一方面，有些传感器本体材料不能承受过高热载荷，而且传感器的嵌入带来壁温的不连续以及周向的干扰，导致热流测量结果并非真实的气动热。因此，通过测量飞行器结构内壁温度来反演外表面热流和温度的气动热辨识方法，成为了获取气动热环境的重要解决方案。

气动热辨识属于一类热传导反问题，基本原理是通过测量导热材料内壁的温度测点的温度历程，反演出外壁受热面的热流时间历程。目前，国内外对热传导反问题进行了大量的研究，通常做法是选取合适的目标函数，将辨识问题转化为优化问题求解。钱炜祺分别用顺序函数法和共轭梯度法研究了一维表面热流辨识方法，并拓展到二维和三维规则外形表面热流辨识。热传导物理过程具有阻尼性和延迟性，阻尼性表现为边界热流的变化对边界附近的温度产生大的影响，而随着离边界距离的增加，热流变化的影响将减小；延迟性则表现为内部温度对边界热流的反应在时间上具有延迟性。根据这些特点，顺序函数法对热流的辨识是按时间顺序逐渐推进进行，即引入时间步长因子r，对某时刻热流的辨识依靠的是该时刻之后r个时间步的温度测量值。共轭梯度法是迭代正则化方法，其将优化问题分解为热传导正问题、灵敏度求解和伴随变量求解这三个适定问题来进行求解。

此外，薛齐文应用tikhonov方法研究了一维热传导反问题中，内热源强度、导温系数及边界条件的多宗量辨识，将bregman距离加权函数作为正则项应用到非线性热传导反问题的求解，基于一种时域精细算法和空间离散技术，考虑热源项的非线性，建立瞬态热传导正/反问题的数学模型，对一维的多个热学参数进行了组合识别。cuimiao采用无量纲化目标方程，对热流模型进行参数辨识，但局限于已知的热流函数形式。钱炜祺考虑到高超声速的材料烧蚀后退，利用简化后的热解面烧蚀模型，对一维烧蚀表面热流辨识进行了研究，并将其用于钝头型碳酚醛材料narmco4028试件在陶瓷加热风洞中的试验结果分析，证明了烧蚀模型的合理性和方法的有效性。张聪利用简化的一维和二维传热模型进行了高超声速燃烧室壁面热流的辨识，在轴对称模型下取得了较好的效果。

神经网络算法由于其强大的非线性拟合能力，在各个领域得到广泛的应用。s.deng和智会强等人研究了神经网络和遗传算法求解热传导反问题，在考虑了简单的热流加载情况下，利用人工神经网络逼近内部温度场与未知的表面热流或材料热物性参数的函数关系，同时将反问题转化为适当目标函数下的极值优化问题，利用遗传算法的全局优化方法寻找反问题最优解。最小二乘法作为一种传统的参数估计方法，依据对某事件的大量观测从而获得“最佳”结果或“最可能”表现形式。沈煊在第十一届全国流体力学学术会议中发表的摘要中提到了基于神经网络和最小二乘修正的高超声速飞行器气动热在线辨识与预示方法的实现思路。

技术实现要素：

为了克服现有技术的不足，本发明的目的在于提供一种飞行器飞行过程中驻点热流的在线预示方法。本发明在神经网络三维修正模型的在线辨识模型基础上，通过最小二乘修正传统驻点热流公式，并结合给定弹道的来流条件与数值计算结果能够在线预示未来10s内的飞行器驻点热流。

一种飞行器飞行过程中驻点热流的在线预示方法，具体步骤如下：

步骤(1)实际飞行之前，利用结构内部各个测点的温度数据，通过顺序函数法进行一维热流辨识并结合真实测量热流对神经网络三维修正模型进行训练；

步骤(2)将fay-riddell驻点热流工程估算公式进行简化，将真实测量热流和给定弹道的来流条件作为输入序列，通过最小二乘法修正简化公式中的各项系数，得到初步的驻点热流预示公式；

步骤(3)实际飞行时，将测点温度作为输入代入所述的驻点热流预示公式中，即可快速获得驻点辨识热流，将实时更新的驻点辨识热流作为新的热流数据，通过最小二乘法实时拟合，得出实时更新的预示公式用以预示未来10s内的驻点热流值。

所述的步骤(2)中将fay-riddell驻点热流工程估算公式进行简化，其简化后的形式为：

其中a、b、c、d为待拟合系数，ρ∞为来流密度，v∞为来流速度，t∞为来流温度，tw为壁面温度，rn为球头曲率半径；

将两边取对数：

lnqs＝-0.5·lnrn+lna+b·lnρ∞+c·lnv∞+d·ln(tw-t∞)(4)

将式(4)作为待拟合函数进行最小二乘拟合，随时间推进实时更新各项系数。

本发明的有益效果是：

本发明提出的修正方法在已有基于神经网络三维修正模型的在线辨识模型的研究基础上，考虑到单一的在线辨识功能并不能满足飞行器实际飞行期间的工程需求，结合最小二乘法和工程估算公式，最终实现了对未来10s内飞行器驻点热流的在线预示。本发明提出的预示方法预示出的热流误差在15％以内，并包含了工程估算的快速性，因此可以实现飞行过程中实时、准确的热流预示。

附图说明

图1是本发明实施流程图。

图2是选取模型几何示意图。

图3是神经网络训练结果图。

图4是一段时间内驻点热流辨识结果与误差图。

图5是某一时刻未来10s内驻点热流预示结果与误差图。

具体实施方式

以下对本发明做进一步阐述。

首先给出高超声速半圆球头绕流，在离解气体热平衡流下，零攻角驻点定常连续层流，稳态传热热流率的工程估算公式：

其中qs是驻点热流率；ρ∞为来流密度；rn为球头曲率半径；hw是壁面焓；驻点滞止焓hs为，

其中v∞为来流速度；t∞为来流温度。

依据这一公式，并考虑本专题所给飞行条件，将热流公式简化为以下形式：

其中a、b、c、d为待拟合系数，将两边取对数：

lnqs＝-0.5·lnrn+lna+b·lnρ∞+c·lnv∞+d·ln(tw-t∞)(4)

其中tw为壁面温度。

根据最小二乘法，对于函数形式如下所示的函数：

hθ(x1,x2,...,xn)＝θ0+θ1x1+θ2x2...+θnxn(5)

我们将其矩阵形式记为：

定义损失函数为：

应用矩阵迹的计算公式：

令上式为零，解得：

θ＝(x^tx)^-1x^ty(9)

将式(4)作为待拟合函数，代入式(6)-(9)，构造矩阵：

则，构造的矩阵x为：

矩阵y为：

y＝(lnq1lnq2...lnqn)^t(12)

由此可以解得：

θ＝(lna-0.5lnrnbcd)^t(13)

从而可以求得系数a、b、c、d用于式(3)得到新的热流估算公式。

在线拟合时所用的热流qs为前序时刻的辨识热流，因此，这一方法可以同时具有辨识的高精度和工程估算的快速性。

下面结合附图描述本发明实施方案。如图1所示，在实际飞行之前首先在地面通过流体力学数值仿真或实验方法，获得弹体表面热流以及内壁面温度场或实际测量热流，后统一称之为热流真值。然后通过一维辨识程序计算选定测温点的一维辨识热流，并将其与热流真值一起代入神经网络模型进行训练，从而获得训练好的神经网络模型。与此同时，选取部分驻点部位热流真值与给定弹道的来流条件，通过最小二乘法拟合出原始的预示公式。

实际飞行时，只需要将测点温度作为输入，通过一维辨识与神经网络修正，即可快速获得三维修正热流。同时，将计算所得的修正热流作为新的热流数据，重新拟合出新的预示公式用以预示后续一段时间内的驻点热流值。

以图2所示几何模型为例，在给定弹道的前提下对其流场进行数值仿真模拟，并计算出驻点处的温度变化序列来模拟实际情况下的测量温度序列。而后根据所得的温度序列进行一维热流辨识并将结果与数值模拟所得的驻点热流作为输入进行神经网络训练，训练结果如图3所示。训练完成后，只需要输入一段时间内的测点温度序列，即可快速获得这段时间的热流辨识值以及后续10s内的热流预示值。如图4、图5所示，误差均保持在15％以内。

上述描述中的实施方案可以进一步组合或者替换，且实施方案仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域普通技术人员对本发明的技术方案做出的各种变化和改进，均属于本发明的保护范围。本发明的保护范围由所附权利要求及其任何等同物给出。