[發(fā)明專利]一種氣動熱-結(jié)構(gòu)熱傳導(dǎo)耦合非線性降階模型方法

有效

• 申請?zhí)枺?/td>: 202010564195.8
• 申請日: 2020-06-19
• 公開（公告）號: CN111881629B
• 公開（公告）日: 2022-11-08
• 發(fā)明（設(shè)計）人: 王梓伊;劉磊;張偉偉;杜雁霞;魏東;肖光明;楊肖峰;向靜
• 申請（專利權(quán)）人: 西北工業(yè)大學(xué);空氣動力學(xué)國家重點實驗室
• 主分類號: G06F30/28
• 分類號: G06F30/28;G06F119/14;G06F119/08;G06F111/10
• 代理公司: 成都九鼎天元知識產(chǎn)權(quán)代理有限公司 51214
• 代理人: 李想

1.一種氣動熱-結(jié)構(gòu)熱傳導(dǎo)耦合非線性降階模型方法，其特征在于，該方法包括：

S1：對結(jié)構(gòu)溫度場進行降階

構(gòu)建結(jié)構(gòu)溫度場降階模型，對結(jié)構(gòu)溫度場降階模型進行訓(xùn)練，訓(xùn)練完成后，任意時刻結(jié)構(gòu)溫度場可由低階向量表示；

所述步驟S1具體包括以下子步驟：

S101：結(jié)構(gòu)溫度場和氣動熱-輻射場采用深度學(xué)習(xí)中的自編碼器神經(jīng)網(wǎng)絡(luò)進行降階，神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本為：針對飛行彈道，基于數(shù)值模擬方法進行氣動熱-結(jié)構(gòu)熱傳導(dǎo)瞬態(tài)耦合分析，從分析結(jié)果中采集若干時刻的結(jié)構(gòu)溫度場作為訓(xùn)練樣本；

S102：通過步驟S101中的訓(xùn)練樣本對該自編碼器神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，在訓(xùn)練自編碼器神經(jīng)網(wǎng)絡(luò)時，采用反向傳播方法，不斷調(diào)整自編碼器神經(jīng)網(wǎng)絡(luò)內(nèi)部的權(quán)重和偏置參數(shù)，最終使得輸入和輸出的高維向量之間的誤差最小；

S103：訓(xùn)練完成后，得到任意時刻結(jié)構(gòu)溫度場降階后的結(jié)構(gòu)溫度場低階向量而結(jié)構(gòu)溫度場低階向量通過解碼網(wǎng)絡(luò)可以基本還原出原始的結(jié)構(gòu)溫度場；

其中，自編碼器神經(jīng)網(wǎng)絡(luò)的降階過程為：

將所述自編碼器神經(jīng)網(wǎng)絡(luò)分為編碼部分和解碼部分，編碼部分將輸入的高維向量映射到低維向量，而解碼部分將低維向量再次映射到輸出的高維向量；

其中，輸入的高維向量則代表原始溫度場，輸出的高維向量則代表重構(gòu)出的溫度場，而中間一層的低維向量則代表降階后的溫度場；

在訓(xùn)練自編碼器神經(jīng)網(wǎng)絡(luò)時，采用反向傳播方法，不斷調(diào)整自編碼器神經(jīng)網(wǎng)絡(luò)內(nèi)部的權(quán)重和偏置參數(shù)，最終使得輸入和輸出的高維向量之間的誤差最小；

S2：對氣動熱-輻射場進行降階并建模

構(gòu)建氣動熱-輻射場降階模型，對氣動熱-輻射場降階模型進行訓(xùn)練，訓(xùn)練完成后，任意時刻氣動熱-輻射場可由熱載荷場低階向量表示；

構(gòu)建輸入為Ma、H、α、輸出為熱載荷場低階向量的氣動熱-輻射場模型，對氣動熱-輻射場模型進行訓(xùn)練，訓(xùn)練完成后，氣動熱-輻射場模型可根據(jù)輸入條件快速輸出熱載荷場低階向量其中，Ma為來流馬赫數(shù)、H為飛行高度和α為來流迎角；

所述步驟S2具體包括以下子步驟：

S201：采用自編碼器神經(jīng)網(wǎng)絡(luò)對氣動熱-輻射場進行降階；神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本為以Ma、H、α、構(gòu)成3+l維空間內(nèi)的氣動熱-輻射場計算數(shù)據(jù)，其中l(wèi)為的階數(shù)；

S202：通過步驟S201中的訓(xùn)練樣本對自編碼器神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，在訓(xùn)練自編碼器神經(jīng)網(wǎng)絡(luò)時，采用反向傳播方法，不斷調(diào)整自編碼器神經(jīng)網(wǎng)絡(luò)內(nèi)部的權(quán)重和偏置參數(shù)，最終使得輸入和輸出的高維向量之間的誤差最小；

S203：訓(xùn)練完成后，得到任意熱載荷場降階后的熱載荷場低階向量階數(shù)記為m；通過解碼網(wǎng)絡(luò)還原出原始的氣動熱-輻射場分布；

其中，自編碼器神經(jīng)網(wǎng)絡(luò)的降階過程如下：

編碼部分將輸入的高維向量映射到低維向量，而解碼部分將低維向量再次映射到輸出的高維向量；

其中，輸入的高維向量則代表原始熱載荷場，輸出的高維向量則代表重構(gòu)出的熱載荷場，而中間一層的低維向量代表降階后的熱載荷場；

S204：構(gòu)建輸入為Ma、H、α、其中，Ma為來流馬赫數(shù)、H為飛行高度以及α為來流迎角；輸出為熱載荷場低階向量的氣動熱-輻射場模型，該模型通過多層神經(jīng)網(wǎng)絡(luò)實現(xiàn)；多層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本為：以Ma、H、α、構(gòu)成3+l維空間，其中l(wèi)為的階數(shù)，由于自編碼器神經(jīng)網(wǎng)絡(luò)具有更好的物理場降階效果，因此，相比于背景技術(shù)中的POD方法，此處的l較小；

在較低維度的3+l維空間內(nèi)進行抽樣，通過數(shù)值方法獲得樣本參數(shù)對應(yīng)的氣動熱分布Q_a和表面輻射場Q_r，并記總的熱載荷場為Q＝Q_a-Q_r，將所有樣本得到的熱載荷場Q作為多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本；

S3：時域熱傳導(dǎo)模擬

構(gòu)建時域熱傳導(dǎo)模型，以結(jié)構(gòu)溫度場低階向量和熱載荷場低階向量訓(xùn)練時域熱傳導(dǎo)模型，訓(xùn)練完成后，以進行時域熱傳導(dǎo)模擬。

2.根據(jù)權(quán)利要求1所述的氣動熱-結(jié)構(gòu)熱傳導(dǎo)耦合非線性降階模型方法，其特征在于，所述結(jié)構(gòu)溫度場降階模型、氣動熱-輻射場降階模型、氣動熱-輻射場模型以及時域熱傳導(dǎo)模型均是基于多層神經(jīng)網(wǎng)絡(luò)構(gòu)建。

3.根據(jù)權(quán)利要求1所述的氣動熱-結(jié)構(gòu)熱傳導(dǎo)耦合非線性降階模型方法，其特征在于，所述時域熱傳導(dǎo)模型的輸入為上一時刻的結(jié)構(gòu)溫度場低階向量和當(dāng)前時刻的熱載荷場輸出為當(dāng)前時刻的結(jié)構(gòu)溫度場低階向量