[發明專利]一種基于試驗設計的氣動數據融合建模方法

在審

• 申請號: 202310274799.2
• 申請日: 2023-03-21
• 公開（公告）號: CN116484495A
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 陳剛;韓仁坤;錢煒祺;孔軼男
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/27;G06F111/10;G06F113/08;G06F119/14
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 王晶

1.一種基于試驗設計的氣動數據融合建模方法，其特征在于，包括以下步驟；

步驟一：確定氣動模型的形式與參數；

步驟二：使用數值模擬數據訓練神經網絡模型；

步驟三：最優試驗設計方法選擇風洞試驗點；

步驟四：使用風洞試驗數據再訓練神經網絡模型，優化部分模型參數，提高模型整體精度。

2.根據權利要求1所述的一種基于試驗設計的氣動數據融合建模方法，其特征在于，所述步驟一具體為：

(1)根據建模對象特性選擇氣動模型的形式，非線性較弱的問題選擇RBF神經網絡模型，非線性較強的問題選擇多層全連接神經網絡模型；

(2)神經網絡輸入層神經元個數n_i為飛行器飛行工況參數數目，輸出層神經元個數n_o為試驗測的飛行器氣動性能參數數目，中間層神經元個數可根據2^n_i+n_o確定。

3.根據權利要求1所述的一種基于試驗設計的氣動數據融合建模方法，其特征在于，所述步驟二具體為：

(1)根據飛行器設計要求確定飛行工況參數及其變化范圍；

(2)隨機在飛行工況參數變化區間內選擇大量工況點，然后使用數值模擬獲取飛行器這些工況點下的升阻力系數，將每個工況點下的飛行工況參數與升阻力系數組合為一條數據，將所有數值模擬數據集合為低精度數據集；

(3)按照一定比例將低精度數據集分為訓練集和測試集；使用訓練集中的樣本點數據通過最小化損失函數訓練神經網絡模型，直至損失函數收斂則完成訓練，損失函數選擇或其中n為數據點數、yⁱ為第i個數據點處數值模擬獲得的升阻力系數值、為第i個數據點處神經網絡預測的升阻力系數值；

(4)將測試集中數據點的飛行工況參數值輸入到訓練完成的神經網絡模型，神經網絡預測出對應飛行工況下的升阻力系數，將神經網絡預測值與數值模擬結果對比計算出MAE或MSE作為神經網絡的預測精度。

4.根據權利要求1所述的一種基于試驗設計的氣動數據融合建模方法，其特征在于，所述步驟三具體為：

(1)確定融合建模所需要的風洞試驗點數n，風洞試驗點數應大于用于構造結構矩陣的神經元個數；

(2)從所有待選擇的風洞試驗工況點中隨機抽取n個試驗點作為一組待選試驗點，連續隨機抽取多組待選試驗點；

(3)將一組待選風洞試驗點的飛行工況參數值輸入到步驟二訓練好的神經網絡中，得到中間層神經元層的輸出A_mn，下標m代表神經元數目，下標n代表待選擇的風洞試驗點數；使用中間層神經元層的輸出A_mn構造結構矩陣，表示為：計算得到當前一組待選試驗點的信息矩陣M＝G^TG；

(4)使用同樣方法計算每一組待選試驗點的信息矩陣；

(5)使用D-最優、A-最優、E-最優、G-最優等中的一個最優準則選擇風洞試驗點，其中D-最優設計為取試驗點使信息矩陣M的行列式值達到極大、A-最優設計為取試驗點使tr(M^-1)達到極大、E-最優設計為取試驗點使M^-1的最大特征根達到極小、G-最優設計為取試驗點使響應預測值的最大方差達到極小；

具體方法為：算出每一組待選試驗點的信息矩陣的最優準則值，比較所有信息矩陣最優準則值的大小，根據最優準則選擇最優的一組風洞試驗點；

(6)通過風洞試驗獲取最優設計選擇的風洞試驗點飛行工況下的升阻力系數，將每個工況點下的飛行工況參數與升阻力系數組合為一條數據，將所有風洞試驗數據作為高精度數據。

5.根據權利要求1所述的一種基于試驗設計的氣動數據融合建模方法，其特征在于，所述步驟四具體為：

(1)復制步驟二中訓練完成的神經網絡模型及權重參數；

(2)使用高精度風洞試驗數據再訓練該神經網絡，再訓練時只改變最后一層神經元的權重值和偏置值，其余層神經元參數保持不變，神經網絡訓練方式與步驟二中相同；

(3)再訓練完成的神經網絡模型既為氣動數據融合模型，能夠作為預測模型獲得其他飛行工況下的升阻力系數。

6.基于權利要求1-5任一項所述的一種基于試驗設計的氣動數據融合建模方法，其特征在于，所述方法用于電力、交通、化工、農業領域。