一种基于深度学习的高超声速进气道流场快速预测方法

1.本发明涉及计算流体力学领域和人工智能领域，具体是一种基于深度学习的高超声速进气道流场快速预测方法。


背景技术：

2.超燃冲压发动机是吸气式高超声速飞行器的主要动力装置，为飞行器在高马赫数下的稳定飞行提供动力支持，其中高超声速进气道是超燃冲压发动机重要的气动部件，其能否顺利起动决定着超燃冲压发动机能否高效、安全、稳定工作。然而，进气道面临的工作环境十分复杂，工况的变化可能会导致其不起动，进而导致燃烧时无法正常工作，甚至会对发动机和进气道的结构造成破坏。因此，对进气道流场的快速预测和对进气道状态的准确判断很重要。
3.在流体力学领域，获取流场的常规手段中，计算流体力学(cfd)占主导地位。然而，高超声速进气道流场复杂，存在大量波系结构，在高超声速进气道起动/不起动预警方面需要快速，准确地获取流场，但是传统的cfd方法受到算法和网格量的限制而无法兼顾计算效率与流场求解精度。并且在重复进行cfd计算的过程中，忽略了流场自身的特性，进行了大量的重复性计算，在一定程度上再次降低了计算效率。
4.近年来深度学习的出现和发展，为进气道流场预测提供了一种新的思路和方法。深度学习对高阶复杂函数具有强大的学习能力，在特征提取方面具独特优势，可以进行快速、准确预测工作。目前基于深度学习方法进行流场预测的研究，主要基于速度场或结合速度场与进气道几何参数建立输入参数进行流场预测，难于应用于实际构型当中


技术实现要素：

5.为解决现有技术存在的问题，本发明提出一种基于深度学习的高超声速进气道流场快速预测方法，以深度学习为基础，建立高超声速进气道流场快速预测模型，直接利用壁面压力传感器数据进行流场预测，应用于高超声速进气道流场的快速/实时预测和进气道状态的准确判断，是一种可行且具有广泛应用前景的新思路。相比于传统基于cfd方法获取流场，基于该方法可快速得到具有高精度、高准确性的高超声速进气道流场。此外，该方法从高超声速飞行器的实际飞行状态出发，以进气道壁面的压力传感器得到的实时壁面压力数据作为输入，可实现高超声速进气道流动状态的实时判定以及进气道流场的实时监测，进而保障飞行器的安全、高效运行。
6.本发明的技术方案为：
7.一种基于深度学习的高超声速进气道流场快速预测方法，包括以下步骤：
8.步骤1：生成进气道样本流场数据集；
9.步骤2：搭建用于高超声速进气道流场快速预测的深度神经网络模型，利用样本流场数据及对神经网络模型进行训练；
10.步骤3：将训练好的模型用于进气道流场的快速预测。
11.进一步的，步骤1生成进气道样本流场数据集的具体步骤为：
12.步骤1.1：在进气道工作范围内进行采样，得到流场样本集中各样本点的计算工况；
13.步骤1.2：生成进气道模型的cfd计算网格；
14.步骤1.3：对样本进行cfd数值计算，得到与样本对应的cfd流场计算结果；
15.步骤1.4：截取内流及内缩段前方至第一级压缩面为止的空间网格，通过坐标变换将截取的网格及流场变量由物理空间坐标映射至均匀的计算空间坐标，得到基本的流场数据集。
16.我们研究发现进气道的性能以及所关注的进气道流动结构集中体现在内流及内缩段向前至第一级压缩面位置的这一区域，为了减少模型的训练成本，提高效率，这里截取这一区域的空间网格，在实际应用中预测这一区域的流场即可。
17.进一步的，步骤1.1中，采用拉丁超立方抽样(lhs)方法在进气道工作范围内进行采样。
18.进一步的，步骤1.2中，针对进气道模型，采用结构化多块网格进行网格生成，在物面及内流道区域进行了加密，所生成的计算网格中附面层第一层高度设置为4.3
×
10-7
m，在巡航工况下网格雷诺数re
δ
＝5。
19.进一步的，步骤1.3中，通过有限体积法求解rans方程进行cfd数值模拟，数值模拟过程中采用的湍流模型为sst湍流模型，通量格式采用roe格式，通量限制器使用minmod通量限制器。
20.进一步的，步骤2中，搭建并训练深度神经网络模型的过程为：
21.步骤2.1：深度神经网络模型采用全连接层的多层感知器(mlp)网络搭建，选取样本中进气道压缩面壁面压力作为输入，网络的输出为各个网格坐标的流动参数；
22.步骤2.2：利用步骤1中得到的样本集对深度神经网络进行训练，训练过程中参考均方根误差(mse)的定义使用流场中所预测的流场参数的均方根误差构建损失函数，并配合优化算法直至训练集损失函数不再降低，则完成训练。
23.有益效果
24.本发明与现有技术相比，具有如下优点：
25.1.本发明从高超声速飞行器的实际飞行状态出发，在实际应用中，相比于过往高超声速流场预测中采用的包括速度场以及结合速度场与进气道几何参数建立输入参数而言，壁面压力数据可通过进气道壁面上的压力传感器实时获得。并且，高超声速进气道的内流场中存在多种激波反射与激波干扰现象，上述流动现象决定了进气道的壁面压力分布形式。因此，壁面压力数据与进气道的流动结构高度相关，以壁面压力数据作为流场快速预测模型的输入参数建立高超声速进气道流场快速预测模型，可得到高精度、高准确性的重构流场。进而将此模型应用到飞行器的进气道流场重构中，可实现进气道流动状态的实时判定以及进气道流场的实时监测。
26.3.本发明使用lhs抽样方法建立样本集合，可以在有限的样本数量限制内，使采样点覆盖整个样本空间，保障了样本点分布的均匀性，可以使训练得到的模型更加适用于特定范围内的流场预测问题，进而可以提高预测精度，一定程度上保证了模型的泛化能力。
27.4.本发明截取了进气道内流及内缩段前方区域的流场进行预测，在减少数据量、
提高训练效率的同时，可保证足够的流场预测和特征提取精度。本发明在基于有限的壁面压力数据进行流场预测的过程中，输出的量越少，越有利于得到更高的预测精度。另外，若进行全流场的预测，考虑到非关注区域的预测准确性，训练的得到的网络会考虑这一部分流场的误差，进而影响所关注区域(内流部分)的流场预测精度。
28.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
29.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
30.图1为样本集计算工况分布范围。
31.图2为高超声速进气道的网格划分示意图，其中红色线框内部为所选取的进行流场预测的区域。
32.图3为坐标变换说明。左侧为变换前的网格，右侧为变换后的网格。
33.图4为深度学习模型示意图。
34.图5为进气道不起动流场预测结果。(a)为cfd计算的压强，(b)为深度学习模型预测的压强，(c)为cfd计算的马赫数，(d)为深度学习模型预测的马赫数，(e)为cfd计算的x方向速度分量，(f)为深度学习模型预测的x方向速度分量。
35.图6为进气道起动流场预测结果。(a)为cfd计算的压强，(b)为深度学习模型预测的压强，(c)为cfd计算的马赫数，(d)为深度学习模型预测的马赫数，(e)为cfd计算的x方向速度分量，(f)为深度学习模型预测的x方向速度分量。
36.图7为进气道不起动流场预测结果，其中横坐标为流动参数，纵坐标为法向站位(单位为米)。(a)为出口处截面压强预测结果，(b)为出口处截面马赫数预测结果，(c)为喉道处截面压强预测结果，(d)为喉道处截面马赫数预测结果。
37.图8为进气道起动流场预测结果其中横坐标为流动参数，纵坐标为法向站位(单位为米)。(a)为出口处截面压强预测结果，(b)为出口处截面马赫数预测结果，(c)为喉道处截面压强预测结果，(d)为喉道处截面马赫数预测结果。
具体实施方式
38.下面结合附图和具体实施方法，对本发明作进一步详细说明。
39.本实施例所述的基于深度神经网络的高超声速进气道流场快速预测方法，包括生成神速神经网络训练所需的流场数据集，搭建深度神经网络模型并利用数据集对模型进行训练，最终利用经过训练的深度神经网络模型实现高超声速进气道流场快速预测。具体步骤如下：
40.步骤1：生成深度神经网络训练需要的流场样本集：
41.1)本实施例以某型二元高超声速进气道为例，采用拉丁超立方抽样(lhs)方法在其飞行工作范围内(飞行高度区间为[19,22]
㎞
，飞行马赫数区间为[2.5,5])进行采样，得到流场样本集中各个样本点的计算工况，如图1所示。需注意的是在此样本空间中，进气道在不同工况下可能表现为起动和不起动两种状态，这也更加符合进气道的实际工作状态。
按照训练集和验证集比例为5:1对样本点进行划分，用于后续的深度神经网络训练。
[0042]
2)针对进气道模型，采用结构化多块网格进行网格生成，为更加准确地捕捉流场细节，在物面及内流道等流动参数变化剧烈区域进行了加密。所生成的计算网格中附面层第一层高度设置为4.3
×
10-7
m，在巡航工况下网格雷诺数re
δ
＝5。生成的cfd计算网格如图2所示。
[0043]
3)通过有限体积法求解rans方程进行cfd数值模拟，得到初始的流场数据集。数值模拟过程中采用的湍流模型为sst湍流模型，通量格式采用roe格式，通量限制器使用minmod通量限制器。在本实施例中计算条件为ma＝4.03,re＝11.7
×
106，t
∞
＝216.6k，p
∞
＝8728.8pa，α＝0
°
，其中ma为自由来流马赫数，re自由来流雷诺数，t
∞
为自由来流温度，p
∞
为自由来流压强，α进气道攻角。
[0044]
为提高深度神经网络模型的训练效率和流场预测效率，截取内流及内缩段前方至第一级压缩面为止的空间网格，用于深度神经网路模型的训练和测试，最终选取的网格点尺寸为41
×
153(法向
×
流向)，此区域在图2中用红色线框圈出。此区域中包含了进气道来流捕获面积内的区域以及进气道的全部内流场，足够用于取得进气道的相关性能参数以及判断进气道的工作状态。
[0045]
4)将所选取的网格坐标，通过坐标变换使其由物理空间坐标映射至均匀的计算空间坐标，以便于后续深度神经网络训练，坐标变换方法如图3所示。
[0046]
步骤2：流场预测的深度神经网络模型的搭建与训练：
[0047]
1)利用全连接的多层感知器(mlp)进行深度神经网络搭建，输入为步骤1中得到的流场样本集中壁面压力测点处的压力数据(p1，p2,...,p
22
)，其中pn为第n个压力测点处的压力数据，输出为网格点处的流动参数(u，v，p，ρ，ma)，其中u和v分别为x和y方向的速度分量，p为压强，ρ为密度，ma马赫数。所搭建的深度神经网络模型如图4所示。
[0048]
2)使用步骤1中得到的流场样本集对深度神经网络进行训练。训练过程中利用参考均方根误差的概念构建了损失函数，配合adam随机梯度优化算法以损失函数最小为优化目标开展训练，直至训练集损失函数不再降低时训练完成。所构建的损失函数如下：
[0049][0050]
上式中n为样本数目，各个流动参数中，上标为c的变量为cfd计算结果，上标为p的变量为预测结果。
[0051]
步骤3：高超声速进气道流场快速预测：
[0052]
针对训练后的深度神经网络模型，使用训练集和测试集进行测试并用于高超声速进气道流场快速预测。其中，训练集样本122和训练集样本235中进气道分别处于不起动和起动两种具有代表性的状态，其流场预测结果分别如图5和图6所示，流场中部分截面的参数法向分布如图7和图8所示。在结果中随机选取样本并对进气道的性能参数进行计算，其总压恢复系数结果如表1所示，出口平均马赫数结果如表2所示。此外，对比了深度神经网络模型与cfd方法的计算效率，对比结果如表3所示。
[0053]
表1
[0054][0055][0056]
表2
[0057][0058]
表3
[0059][0060]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。