一种基于机器学习的特种无人机组构方案优选方法

本发明涉及一种特种无人机组构方案优选方法，具体涉及一种使用机器学习方法对特种无人机旋翼系统桨叶的不同组构方案与其升阻特性的关系进行建模、仿真与分析的方法。

背景技术：

1、特种无人机探测对于了解未知环境具有重要意义。由于未知环境的环境条件参数未知，特种无人机因具备垂直起降、空飞行能力和高稳定性受到研究机构的广泛关注。然而，由于特种无人机在复杂流场中运行，不同桨叶数量、不同桨叶分布和不同桨叶间距都会影响特种无人机的升阻特性。因此，在极端大气条件下研究特种无人机旋翼系统的桨叶的组构方案与其相对应的空气动力学特性是至关重要的。此外，特种无人机桨叶组构优选实验成本高，模拟计算量大。

技术实现思路

1、为了解决特种无人机桨叶组构方案选择和其面临的实验成本高、模拟计算量大等问题，本发明从不同桨叶数量、不同桨叶分布数量、不同桨叶间距(水平方向、竖直方向)与复杂流场中的特种无人机的升阻特性关系出发，提供了一种基于机器学习的特种无人机组构方案优选方法。该方法通过采用机器学习方法预测最优桨叶组构方案，结合流体力学软件fluent对三维桨叶组构模型附近流场进行模拟、cfd实验验证推力t，功率p，获得气动效率fm、负载功率pl等评估指标的方式对特种无人机旋翼系统桨叶组构方案进行优选，从而避免了昂贵的实验和模拟的需要。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于机器学习的特种无人机组构方案优选方法，包括如下步骤：

4、步骤(1)建立特种无人机三维桨叶组构方案库：

5、选取不同桨叶数量n、不同桨叶分布数量p、不同桨叶水平间距dh和不同桨叶竖直间距dv作为变量，构建特种无人机三维桨叶组构方案库；

6、步骤(2)建立特种无人机三维桨叶组构模型库：

7、根据所选方案，通过三维建模软件对特种无人机桨叶组构方案进行三维模型建立，将方案库转为可以进行数值模拟的特种无人机三维桨叶组构模型库；

8、步骤(3)绘制不同桨叶组构方案对应的网格库：

9、步骤(31)设置网格：桨叶组构模型附近采用非结构网格构建圆柱形网格区域，直径不小于模型尺寸的1.1倍，高度不小于模型尺寸的0.4倍；桨叶组构模型其余部分采用结构化网格构建圆柱形网格区域，直径不小于模型尺寸的3.0倍，高度不小于模型尺寸的3.0倍；

10、步骤(32)利用nasa提出的y+系数计算得出网格的最小边缘尺度；

11、步骤(33)编写自动生成网格数据库的脚本代码，生成不同桨叶组构方案所对应的网格，构成桨叶组构方案网格库；

12、步骤(4)建立特种无人机桨叶组构的二维升阻系数仿真数据库：

13、步骤(41)提取特种无人机的工作环境条件参数；

14、步骤(42)优化fluent仿真设置条件：根据(41)提取的工作环境条件参数，设置环境条件范围并且设置fluent流体模型、重力、大气压力、时间步长、收敛条件等参数对fluent仿真设置条件进行优化；

15、(43)编写脚本代码自动将fluent仿真结果生成特种无人机不同桨叶组构对应的气动效率fm、负载功率pl；

16、(44)构建特种无人机不同桨叶组构的参数数据集；

17、步骤(5)以机器学习的方式建立组构方案—升阻特性参数库：

18、利用机器学习的方法，根据fluent仿真结果生成的参数建立特种无人机不同桨叶组构方案和其在特种环境下的气动特性参数之间的对应关系，作为机器学习的组构方案—升阻特性参数库；

19、步骤(6)机器学习方法优选：

20、步骤(61)选择机器学习算法；

21、步骤(62)将升阻特性参数数据库划分为训练集和验证集，并进行机器学习的数据预处理、模型选择和模型训练；

22、步骤(63)采用均方误差mse和测定系数r2评估各种机器学习回归算法，分别优选气动效率fm、负载功率pl对应的最佳机器学习方法；

23、步骤(7)进行桨叶组构升阻特性预测与方案优选：

24、步骤(71)基于优选的机器学习方法，分别预测目标条件下的最优特种无人机桨叶组构方案；

25、步骤(72)将桨叶组构方案通过三维建模软件建立三维桨叶组构模型；

26、步骤(73)利用流体力学分析软件对三维桨叶组构模型附近流场进行模拟并通过cfd对方案进行实验验证推力t，功率p，获得气动效率fm、负载功率pl等评估指标；

27、步骤(74)迭代优化参数n、p、dh、dv，优化桨叶组构方案优选方法，更新升阻特性参数库。

28、相比于现有技术，本发明具有如下优点：

29、本发明通过cfd仿真验证保证了特种无人机旋翼系统桨叶组构方案优选方法的有效性；能够通过机器学习得到目标特种环境条件下特种无人机桨叶组构的优选方案，从而相比现有技术的做法降低了很多计算量，提高了计算效率，在确保优选组构方案有效性的基础上节约了大量实验成本，同时该方法可以进行自我迭代，为进一步提高优选效果提供了可能性。

技术特征：

1.一种基于机器学习的特种无人机组构方案优选方法，其特征在于所述方法包括如下步骤：

2.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(3)中，网格整体质量优率>90％。

3.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(41)中，工作环境条件参数包括大气密度、恒压比热容、导热系数、气体粘度、参考粘度、参考温度、有效温度和摩尔质量气体参数。

4.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(42)中，桨叶表面的边界条件、外部流场的上边界、外部流场的下边界和外部流场的周围边界被设置为壁面边界条件；桨叶组构模型附近流场与外部流场相交处的上边界、下边界和周围边界条件设置为耦合边界条件。

5.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(44)中，参数数据集包括气动效率fm、负载功率pl。

6.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(5)中，输入参数为naca翼型、不同桨叶数量n、不同桨叶分布数量p、不同桨叶水平间距dh和不同桨叶竖直间距dv；输出参数包括气动效率fm、负载功率pl。

7.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(61)中，机器学习算法包括人工神经网络、决策树、随机森林、支持向量机、k最近邻算法、线性回归、高斯回归。

8.根据权利要求1所述的基于机器学习的特种无人机组构方案优选方法，其特征在于所述步骤(63)中，均方误差mse和测定系数r2的具体公式如下：

技术总结
本发明公开了一种基于机器学习的特种无人机组构方案优选方法，所述方法包括如下步骤：(1)建立特种无人机三维桨叶组构方案库；(2)建立特种无人机三维桨叶组构模型库；(3)绘制不同桨叶组构方案对应的网格库；(4)建立特种无人机桨叶组构的二维升阻系数仿真数据库；(5)以机器学习的方式建立组构方案—升阻特性参数库；(6)机器学习方法优选；(7)进行桨叶组构升阻特性预测与方案优选。本发明能够通过机器学习得到目标特种环境条件下特种无人机桨叶组构的优选方案，能够降低很多计算量，提高计算效率，在确保优选组构方案有效性的基础上节约大量实验成本，同时该方法可以进行自我迭代，为进一步提高优选效果提供了可能性。

技术研发人员：赵鹏越,刘欢,张洲,邓宗全
受保护的技术使用者：哈尔滨工业大学
技术研发日：
技术公布日：2024/1/15