本发明涉及机翼结冰预测领域,具体涉及一种翼型结冰冰形预测方法。
背景技术:
1、结冰问题是影响航空器飞行安全最重要的因素之一。飞机在云层中飞行,当云层中含有不稳定过冷水滴时,在飞机的表面、前缘等等位置可能会发生结冰现象,由此会改变流场,对机翼的气动性能产生影响。影响结冰量大小、结冰位置与范围和冰的形状的因素有很多。其中包括液态水含量、环境温度、水滴直径、云层范围等等气象条件。
2、结冰适航审定是民用飞机不可避免的一步,结冰预测算法在这一过程中发挥着重要作用。结冰模拟算法的计算过程包括流场计算和冰生长两部分。时间一直是结冰问题中要考虑的重要因素,更快的结冰算法在许多情况下都更有效,例如对结冰缩放变换的详尽分析。因此,快速计算是开发结冰算法的重要任务和考虑因素。
3、目前用于飞机翼型结冰的方法主要有数值模拟、结冰风洞实验和飞行实验。风洞试验和飞行试验获得的数据真实可信,但存在实验时间周期长、实验耗资巨大和实验所需条件不可控等缺点。数值模拟通过模拟流场、水滴碰撞和凝结等物理过程来生成结冰结果,是所有方法中应用最广泛的。但结冰冰形往往是高维复杂的,这导致了探寻结冰规律和指导结冰实验需要大量结冰结果。
4、在结冰冰形预测问题上,样本容量是一个必须考虑的问题,特别是在计算时间较长的情况下,应用神经网络方法本身就是为了降低计算成本。因此,减少训练所需的数据量一直是一个重要的关注点。目前的结冰软件无法以较低的样本容量得到较高预测精度。
技术实现思路
1、针对现有技术中的上述不足,本发明提供的一种翼型结冰冰形预测方法解决了现有结冰软件无法以较低的样本容量得到较高预测精度的问题。
2、为了达到上述发明目的,本发明采用的技术方案为:
3、提供一种翼型结冰冰形预测方法,其包括以下步骤:
4、s1、获取已知结冰条件数据的结冰结果,将结冰结果以图片方式进行生成,得到结冰图片;获取翼型形状图像;
5、s2、对已知结冰条件数据和对应的翼型形状图像进行归一化后共同作为训练样本;对结冰图片的像素点进行归一化后作为训练标签;
6、s3、构建翼型结冰冰形预测模型,并通过训练样本和训练标签进行训练,得到训练后的翼型结冰冰形预测模型;
7、s4、将待预测结冰条件数据和待预测翼型形状图像进行归一化后共同作为训练后的翼型结冰冰形预测模型的输入,得到翼型结冰冰形预测结果。
8、进一步地,步骤s1中结冰条件数据包括来流速度v、飞行高度h、飞行攻角aoa、环境温度t、液态水含量lwc、过冷水滴平均直径mvd和结冰时间t。
9、进一步地,翼型结冰冰形预测模型包括第一分支、第二分支、第三分支和特征融合模块;第一分支包括第一特征提取模块、第一缩放模块、第一残差模块、第二残差模块和第一上采样模块;第二分支包括第二特征提取模块、第二缩放模块、第三残差模块和第二上采样模块;第三分支包括第三特征提取模块和第三上采样模块;
10、第一特征提取模块、第二特征提取模块和第三特征提取模块,分别用于对归一化后的结冰条件数据进行特征提取;
11、第一缩放模块,用于对第一特征提取模块的输出进行缩放;
12、第一残差模块,用于对第一缩放模块的输出、第二特征提取模块的输出和归一化后的翼型形状图像进行残差计算,得到第一残差结果;
13、第二残差模块,用于对第一残差结果、第三特征提取模块的输出进行残差计算,得到第二残差结果;
14、第二缩放模块,用于对第二特征提取模块的输出进行缩放;
15、第三残差模块,用于对第二缩放模块的输出、第三特征提取模块的输出和归一化后的翼型形状图像进行残差计算,得到第三残差结果;
16、第一上采样模块,用于对第二残差结果进行上采样,得到第一分支的输出特征;
17、第二上采样模块,用于对第三残差结果进行上采样,得到第二分支的输出特征;
18、第三上采样模块,用于对第三特征提取模块的输出进行上采样,得到第三分支的输出特征;
19、特征融合模块,用于对第一上采样模块的输出、第二上采样模块的输出和第三上采样模块的输出进行叠加与融合,得到翼型结冰冰形预测结果。
20、进一步地,第一特征提取模块包括六个线性层,每个线性层的输出均通过leakyrelu激活函数引入非线性特性,最终输出大小为1×16×16的特征图;
21、第二特征提取模块包括六个线性层,每个线性层的输出均通过leakyrelu激活函数引入非线性特性,最终输出大小为1×32×32的特征图;
22、第三特征提取模块包括六个线性层,每个线性层的输出均通过leakyrelu激活函数引入非线性特性,最终输出大小为1×40×40的特征图。
23、进一步地,第一缩放模块的输出大小为16×32×32的特征图;第一残差模块的输出大小为18×32×32的特征图;第二残差模块的输出大小为9×40×40的特征图;第二缩放模块的输出大小为8×40×40的特征图;第三残差模块的输出大小为10×40×40的特征图。
24、进一步地,三个上采样模块的均包括依次连接的转置卷积层、卷积层、平均池化层、转置卷积层、卷积层和平均池化层;三个上采样模块的输出均为2×142×142的特征图。
25、进一步地,特征融合模块包括依次连接的卷积层、平均池化层、卷积层和卷积层,最终输出大小为1×136×136的翼型结冰冰形预测图。
26、进一步地,在翼型结冰冰形预测模型训练过程中,采用如下损失函数:
27、
28、其中wfl表示损失值;a和r均为常数;pi为翼型结冰冰形预测模型对第i个位置处的结冰预测概率;log(·)表示以10为底的对数。
29、本发明的有益效果为:
30、1、本发明在减少样本数量方面有很大的潜力,能够有效弥补maefn(全连接层架构)方法在长时间复杂结冰结果和小样本情况中表现下降的问题,本发明能以较低的样本容量得到较高预测精度。
31、2、本发明通过三个分支减小了单个网络的预测不好造成的影响,提高了训练过程的鲁棒性;三个残差模块的应用使翼型结冰冰形预测模型变得非常“致密”,不同数据大小的翼型形状和结冰条件都可以被设置为输入。
1.一种翼型结冰冰形预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种翼型结冰冰形预测方法,其特征在于,步骤s1中结冰条件数据包括来流速度v、飞行高度h、飞行攻角aoa、环境温度t、液态水含量lwc、过冷水滴平均直径mvd和结冰时间t。
3.根据权利要求1所述的一种翼型结冰冰形预测方法,其特征在于,翼型结冰冰形预测模型包括第一分支、第二分支、第三分支和特征融合模块;第一分支包括第一特征提取模块、第一缩放模块、第一残差模块、第二残差模块和第一上采样模块;第二分支包括第二特征提取模块、第二缩放模块、第三残差模块和第二上采样模块;第三分支包括第三特征提取模块和第三上采样模块;
4.根据权利要求3所述的一种翼型结冰冰形预测方法,其特征在于,第一特征提取模块包括六个线性层,每个线性层的输出均通过leakyrelu激活函数引入非线性特性,最终输出大小为1×16×16的特征图;
5.根据权利要求4所述的一种翼型结冰冰形预测方法,其特征在于,第一缩放模块的输出大小为16×32×32的特征图;第一残差模块的输出大小为18×32×32的特征图;第二残差模块的输出大小为9×40×40的特征图;第二缩放模块的输出大小为8×40×40的特征图;第三残差模块的输出大小为10×40×40的特征图。
6.根据权利要求3所述的一种翼型结冰冰形预测方法,其特征在于,三个上采样模块的均包括依次连接的转置卷积层、卷积层、平均池化层、转置卷积层、卷积层和平均池化层;三个上采样模块的输出均为2×142×142的特征图。
7.根据权利要求6所述的一种翼型结冰冰形预测方法,其特征在于,特征融合模块包括依次连接的卷积层、平均池化层、卷积层和卷积层,最终输出大小为1×136×136的翼型结冰冰形预测图。
8.根据权利要求1所述的一种翼型结冰冰形预测方法,其特征在于,在翼型结冰冰形预测模型训练过程中,采用如下损失函数: