一种气动力智能计算方法、装置、设备及存储介质与流程

本文件涉及飞行器气动力建模领域，尤其涉及一种气动力智能计算方法、装置、设备及存储介质。

背景技术：

1、气动力是在物体与空气作相对运动时作用在物体上的力，在流体力学中，通过气动力系数和气动力矩系数来计算气动力。

2、现有技术通过风洞试验或飞行试验模拟真实大气环境中飞行器的气动特性，再通过cfd技术进行气动力计算。

3、但现有技术中风洞试验准备时间长、试验成本高，浪费人力物力，现有条件无法支持大量的飞行试验，通过飞行试验计算的气动力数据量也极为有限；同时cfd技术只能对简单条件下的简单模型进行气动计算，对于复杂条件下的复杂模型进行的气动计算结果的真实性和可靠性无法保证。

技术实现思路

1、鉴于上述方案，本申请旨在提出一种气动力智能计算方法、装置、设备及存储介质，以解决上述技术问题中的至少一个。

2、第一方面，本说明书一个或多个实施例提供了一种气动力智能计算方法，包括：

3、获取飞行器数据集；

4、根据所述飞行器数据集，得到训练集和测试集；

5、基于数据增强算法，对所述训练集进行数据增强，增加训练集中的样本数量；

6、以所述训练集和所述测试集为输入，通过领域自适应算法训练预设神经网络模型，得到气动力计算模型；所述气动力计算模型用于计算气动力系数和气动力矩系数。

7、进一步地，所述飞行器数据集包括舵偏角集、马赫数集、攻角集、侧滑角集、气动力系数集和气动力矩系数集；

8、分别从所述舵偏角集、所述马赫数集、所述攻角集中，确定所述飞行器舵偏角集的极值、所述马赫数集的极值和所述攻角集的极值；

9、从所述气动力系数集和所述气动力矩系数集中，分别确定各所述极值对应的气动力系数和气动力矩系数；

10、将所述飞行器舵偏角集的极值、所述马赫数集的极值、所述攻角集的极值、各所述极值对应的气动力系数和气动力矩系数作为测试集；

11、将所述飞行器数据集中所述飞行器舵偏角集的极值、所述马赫数集的极值、所述攻角集的极值、各所述极值对应的气动力系数和气动力矩系数以外的所有数据作为训练集。

12、进一步地，神经网络模型中损失函数的计算公式如下：

13、

14、其中，ld表示判别器的误差函数；

15、d表示判别器

16、μ表示均值；

17、z表示输入；σ表示的是gaussian核函数的窗口大小；u表示域类别。

18、进一步地，根据所述训练集，通过领域自适应算法训练预设神经网络模型，得到待测试模型；

19、根据所述测试集，测试所述待测试模型，得到所述待测试模型的决定系数；

20、若决定系数大于预设阈值，通过领域自适应算法再次训练预设神经网络模型，得到新的待测试模型；

21、若决定系数小于预设阈值，确定所述待测试模型为所述气动力计算模型。

22、进一步地，所述当前决定系数的计算公式如下，包括：

23、

24、其中，ytrue表示输出真实值；

25、ypre表示输出预测值；

26、ymean表示输出真实值的均值；

27、第二方面，本申请实施例提供了一种气动力智能计算装置，所述装置包括：获取模块、区分模型、第一算法模块、第二算法模块和构建模块；

28、所述获取模块用于获取飞行器数据集；所述区分模型用于根据所述飞行器数据集，得到训练集和测试集；所述第一算法模块用于基于数据增强算法，对所述训练集进行数据增强，增加训练集中的样本数量；；所述第二算法模块用于以所述训练集和所述测试集为输入，通过领域自适应算法训练预设神经网络模型，得到气动力计算模型；所述气动力计算模型用于计算气动力系数和气动力矩系数。

29、进一步地，所述装置还包括：第一确定模块、第二确定模块、测试模块、训练模块；

30、所述第一确定模块用于所述飞行器数据集包括舵偏角集、马赫数集、攻角集、侧滑角集、气动力系数集和气动力矩系数集；分别从所述舵偏角集、所述马赫数集、所述攻角集中，确定所述飞行器舵偏角集的极值、所述马赫数集的极值和所述攻角集的极值；所述第二确定模块用于从所述气动力系数集和所述气动力矩系数集中，分别确定各所述极值对应的气动力系数和气动力矩系数；所述测试模块用于将所述飞行器舵偏角集的极值、所述马赫数集的极值、所述攻角集的极值、各所述极值对应的气动力系数和气动力矩系数作为测试集；所述训练模块用于将所述飞行器数据集中所述飞行器舵偏角集的极值、所述马赫数集的极值、所述攻角集的极值、各所述极值对应的气动力系数和气动力矩系数以外的所有数据作为训练集。

31、进一步地，所述装置还包括：计算模块；

32、所述计算模块用于神经网络模型中损失函数的计算公式如下：

33、

34、其中，ld表示判别器的误差函数；

35、d表示判别器

36、μ表示均值

37、z表示输入；σ表示的是gaussian核函数的窗口大小；u表示域类别。

38、第三方面，本申请实施例提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述计算机指令时实现第一方面中任一项所述气动力智能计算方法的步骤。

39、第四方面，本申请实施例提供了一种存储介质，包括：

40、用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现第一方面中任一项所述气动力智能计算方法的步骤。

41、与现有技术相比，本申请至少能实现以下技术效果：

42、本申请通过数据增强算法，并基于实验获取的飞行器数据集，增加飞行试验数据，以实现在做少量实验的情况下，获取足量的实验数据，从而降低实验成本；基于领域自适应算法构建气动力计算模型，能够解决风洞实验中所造成的准备时间长、试验成本高，浪费人力物力的问题，同时能够通过气动力计算模型直接计算各种复杂条件下的初气动力系数和气动力矩系数，有利于提高气动计算结果的真实性和可靠性。

技术特征：

1.一种气动力智能计算方法，其特征在于，包括：

2.根据权利要求1所述计算方法，其特征在于，

3.根据权利要求1所述计算方法，其特征在于，

4.根据所述权利要求1所述计算方法，其特征在于，

5.根据权利要求4所述计算方法，其特征在于，

6.一种气动力智能计算装置，其特征在于，所述装置包括：获取模块、区分模型、第一算法模块、第二算法模块和构建模块；

7.根据权利要求6所述装置，其特征在于，所述装置还包括：第一确定模块、第二确定模块、测试模块、训练模块；

8.根据权利要求6所述装置，其特征在于，所述装置还包括：计算模块；

9.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述计算机指令时实现权利要求1-5任一项所述气动力智能计算方法的步骤。

10.一种存储介质，其特征在于，包括：

技术总结
本说明书实施例提供了一种气动力智能计算方法、装置、设备及存储介质，其中，方法包括：获取飞行器数据集；根据所述飞行器数据集，得到训练集和测试集；基于数据增强算法，对所述训练集进行数据增强，增加训练集中的样本数量；以所述训练集和所述测试集为输入，通过领域自适应算法训练预设神经网络模型，得到气动力计算模型；所述气动力计算模型用于计算气动力系数和气动力矩系数。本申请提供个技术方案用以解决现有技术无法支持大量的飞行试验，以及在复杂条件下气动力计算结果难以保证的问题。

技术研发人员：张仕元,朱德华,楼昊
受保护的技术使用者：中国航天空气动力技术研究院
技术研发日：
技术公布日：2024/3/27