[發明專利]一種基于神經網絡的轉捩預測方法

在審

• 申請號: 202011154867.4
• 申請日: 2020-10-26
• 公開（公告）號: CN112084727A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 王圣業;鄭天韻;王光學;孔令發
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06F30/28
• 分類號: G06F30/28;G06N3/02;G06F113/08;G06F119/14
• 代理公司: 長沙正奇專利事務所有限責任公司 43113
• 代理人: 馬強;李美麗

1.一種基于神經網絡的轉捩預測框架，其特征在于，包括以下步驟：

步驟A，獲取已知的多組間歇因子及對應的當地平均特征量作為訓練集；

步驟B，以訓練集中的當地平均特征量作為輸入值，以訓練集中與該作為輸入值的當地平均特征量對應的間歇因子作為輸出值，訓練神經網絡并獲得間歇因子映射模型；

步驟C，計算流體力學求解器進行流場迭代計算，直至流場計算結果迭代收斂，輸出轉捩流場預測結果；其中，流場迭代計算過程包括：

步驟C1，計算流體力學求解器輸出當地平均特征量；

步驟C2，將步驟C1獲得的當地平均特征量輸入至所述間歇因子映射模型；

步驟C3，間歇因子映射模型求解得到間歇因子并將間歇因子輸入計算流體力學求解器；

步驟C4，基于步驟C3中獲得的間歇因子，判斷流體力學求解器的流場計算結果是否收斂，若是，則終止迭代過程；若否，則計算流體力學求解器根據步驟C3中獲得的間歇因子值更新當地平均特征量并跳轉至步驟C1。

2.如權利要求1所述的基于神經網絡的轉捩預測方法，其特征在于，所述步驟A中，間歇因子來源于已知的實驗或高精度轉捩模型計算數據；間歇因子對應的當地平均特征量來源于結合已有間歇因子并經過數據修正的SA湍流模型的計算數據；所述步驟C中，計算流體力學求解器為基于SA湍流模型的計算流體力學求解器。

3.如權利要求2所述的基于神經網絡的轉捩預測方法，其特征在于，所述步驟A中，所述當地平均特征量中的當地平均特征量包括流場密度、最小壁面距離、自由湍流流度、運動粘性系數、Q準則、歸一化應變率、SA模型流場變量、渦雷諾數、類似湍流粘度的無量綱項、沿流線的壓力梯度中的一種或多種。

4.如權利要求1至3任一項所述的基于神經網絡的轉捩預測方法，其特征在于，所述神經網絡包括由淺入深依次設置的六個全連接層、兩個內含八個隱藏層的殘差塊和八個全連接層，其中，各隱藏層具有24個神經元節點，且各隱藏層的激活函數為線性整流函數。

5.如權利要求1至3任一項所述的基于神經網絡的轉捩預測方法，其特征在于，所述步驟C中，流場計算結果為流場密度、流場速度或流場壓強。

6.如權利要求1至3任一項所述的基于神經網絡的轉捩預測方法，其特征在于，所述步驟C4中，判斷流場計算結果是否收斂的方法為：若本次流場計算結果與上次流場計算結果之間的差值小于10^-4，則判斷收斂，否則判斷不收斂。

7.如權利要求2所述的基于神經網絡的轉捩預測方法，其特征在于，間歇因子對應的當地平均特征量的獲取過程包括：步驟A1，將從已有數據中獲取的間歇因子代入SA湍流模型并凍結；步驟A2，計算流體力學求解器進行迭代計算直至流場計算結果收斂；步驟A3，計算流體力學求解器輸出當地平均特征量。