本发明属于流体力学和人工智能,尤其涉及一种基于切片的超声速无粘流动智能初场设置方法。
背景技术:
1、在计算流场的过程中,需要给定一个初始流场。合适的初场设置对于流动计算的准确性和收敛性至关重要。如果初场设置时与最终计算得到的流场(称为终场)很接近,则只需要少量迭代求解即可满足收敛条件,反之则需要更多迭代从而增加计算时间和资源消耗,甚至导致结果不稳定或者无法收敛。因此,确定合适的初场是计算流体力学(cfd)数值模拟中值得关注的问题。
2、目前已有的初场设置方法主要包括基于经验和理论计算的方法。其中,基于经验的方法相对简单易行,但结果具有一定的不确定性;基于理论计算的方法通常使用更粗粒度的网格计算得到的流场插值后作为初场,或者用其他状态下计算得到的流场作为当前状态的流场,计算量较大。随着数据量不断增大,传统的数据处理方式已经无法满足需求。
技术实现思路
1、本发明的目的在于,为克服现有技术缺陷,提供了一种基于切片的超声速无粘流动智能初场设置方法,使用人工智能进行流场初值预测,一方面可以自动高效整合现有实验和仿真数据,解放人力;另一方面利用深度学习提取流场的特征和规律,可以预测出更加准确的流场初始条件,提高计算结果的准确性和可靠性,为工程设计和科学研究提供更加精准的基础数据。
2、本发明目的通过下述技术方案来实现:
3、一种基于切片的超声速无粘流动智能初场设置方法,所述方法包括:
4、将超声速飞行器在不同状态下的流场沿来流方向切片;
5、对每一张切片生成坐标矩阵、形状矩阵、数据流场矩阵和来流矩阵;
6、拼接所述坐标矩阵、所述形状矩阵、所述数据流场矩阵和所述来流矩阵得到输入矩阵和标签矩阵;
7、以所述标签矩阵作为真实值,采用融合距离权重的均方误差作为代价函数训练超声速无粘流动的初场智能预测模型;
8、将输入矩阵输入训练后的模型获取预测初场。
9、进一步的,所述将超声速飞行器在不同状态下的流场沿来流方向切片具体包括:
10、对高超声速飞行器外形在若干预设飞行高度、若干预设马赫数、若干预设攻角分别进行数值模拟,获得来流方向为x轴正方向的流场中的压力、密度以及笛卡尔坐标系下x、y、z方向的速度分量;
11、将得到的流场以d为间距场在x方向进行分割,每个流场被分割为个切片,为所有流场x坐标最小值中的最大值,为所有流场x坐标最大值中的最小值,d为预设间距。
12、进一步的,所述坐标矩阵为x,x内每个点都被赋值为切片的x坐标+i*d,i表示切片的序号,所述坐标矩阵为,x大小为,,分别表示流场在y方向的最大值和最小值,是预设的步长,,分别表示流场在z方向的最大值和最小值,是预设的步长。
13、进一步的,所述形状矩阵生成方式包括:
14、对每一张切片,生成一个形状矩阵s,s大小为, 矩阵s中的所有数据被初始化为1,根据坐标x判断壁面位置,将壁面位置以及处于壁面内位置的点设置为0。
15、进一步的,所述数据流场矩阵生成方式包括:
16、使用原始流场中的所有点的坐标构建k-d树,用于快速寻找流场全局最临近点;
17、对任意一个切片初始化大小为的流场矩阵;
18、使用以下方法对流场矩阵内的每项数据赋值,对切片k=k,矩阵第二维坐标为m,第三维坐标为n的5个数据赋值方法是:
19、使用k-d树搜索算法,获取距离点()的三个最临近点,,,由~得到赋值数据的公式如下所示:
20、;
21、其中,k为切片序号,原始流场中任意一点相对于点()的距离为对应的流场压力为,笛卡尔坐标系下x、y、z方向的速度分量为,,,密度为,,,,,为赋值数据。
22、进一步的,所述来流矩阵生成方式包括:
23、对每一张切片,生成一个来流矩阵b,b大小为,b[0]内数据赋值为流场对应的高度,b[1]内数据赋值为流场对应的攻角,b[2]内数据赋值为流场对应的马赫数。
24、进一步的,所述采用融合距离权重的均方误差作为代价函数训练超声速无粘流动的初场智能预测模型具体包括:
25、初始化训练权重矩阵w,权重矩阵大小为,靠近壁面赋值为大值,远离壁面赋值为小值,代价函数为;
26、其中,表示预测值,为所述标签矩阵,使用代价函数调整网络参数,直到训练误差下降到指定阈值后固定网络参数,得到智能预测模型m。
27、进一步的,所述将输入矩阵输入训练后的模型获取预测初场具体包括:
28、根据获得的第一个坐标矩阵、形状矩阵和来流矩阵使用边界条件获取起始片;
29、拼接坐标矩阵,形状矩阵和来流矩阵和起始片得到输入矩阵;
30、将输入矩阵输入到智能预测模型m中预测获得预测流场;
31、再依次拼接每一个序列坐标矩阵、形状矩阵、来流矩阵和通过前一序列获得的预测切片得到每个序列对应的预测流场;
32、对任意流场使用预测流场对应点坐标构建k-d树,查找最临近点,使用反距离权重为原始流场网格点赋值获得预测初场。
33、本发明的有益效果在于:
34、(1)本发明使用人工智能进行流场初值预测,一方面可以自动高效整合现有实验和仿真数据,解放人力;另一方面利用深度学习提取流场的特征和规律,可以预测出更加准确的流场初始条件,提高计算结果的准确性和可靠性,为工程设计和科学研究提供更加精准的基础数据。
35、(2)本发明结合了超声速无粘流动传播特征,按来流方向进行切片,使用来流方向的上一切片预测下一切片的流场值,针对流场壁面附近流动规律复杂的现象,设计了一种关注壁面附近流动的神经网络代价函数。
1.一种基于切片的超声速无粘流动智能初场设置方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于切片的超声速无粘流动智能初场设置方法,其特征在于,所述将超声速飞行器在不同状态下的流场沿来流方向切片具体包括:
3.如权利要求2所述的基于切片的超声速无粘流动智能初场设置方法,其特征在于,所述坐标矩阵为x,x内每个点都被赋值为切片的x坐标+i*d,i表示切片的序号,所述坐标矩阵为,x大小为,,分别表示流场在y方向的最大值和最小值,是预设的步长,,分别表示流场在z方向的最大值和最小值,是预设的步长。
4.如权利要求3所述的基于切片的超声速无粘流动智能初场设置方法,其特征在于,所述形状矩阵生成方式包括:
5.如权利要求4所述的基于切片的超声速无粘流动智能初场设置方法,其特征在于,所述数据流场矩阵生成方式包括:
6.如权利要求5所述的基于切片的超声速无粘流动智能初场设置方法,其特征在于,所述来流矩阵生成方式包括:
7.如权利要求6所述的基于切片的超声速无粘流动智能初场设置方法,其特征在于,所述采用融合距离权重的均方误差作为代价函数训练超声速无粘流动的初场智能预测模型具体包括:
8.如权利要求7所述的基于切片的超声速无粘流动智能初场设置方法,其特征在于,所述将输入矩阵输入训练后的模型获取预测初场具体包括: