[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

本發明公開了一種基于試驗設計的氣動數據融合建模方法，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。本發明能夠有效降低氣動融合建模對風洞數據的需求量，提高建模效率，節約風洞試驗成本。

技術領域

本發明涉及試驗設計與數據融合技術領域，具體涉及一種基于試驗設計的氣動數據融合建模方法。

背景技術

在飛行器設計中，需要針對設計外形開展數值模擬和風洞試驗以分析其氣動特性優劣。數值模擬和風洞試驗各有優缺點，其中數值模擬可以較低成本獲得任意飛行工況下的氣動特性，但數值模擬結果精度較低；風洞試驗可獲得較高精度的數據，但是風洞試驗獲取成本較高。如何結合數值模擬和風洞試驗的優點，以較低的成本建立較高精度的氣動模型已成為學術界和工業界共同關注的熱點問題。

氣動數據融合建模技術通過融合多種來源的不同精度數據，共同建立一個精度較高的氣動融合模型。其中高精度風洞試驗數據點分布影響著融合模型的精度和融合建模成本。現階段常用一次一因子法設置風洞試驗點，這導致融合建模效率并不高。試驗設計技術是一類選擇對建模精度影響最大的數據點的方法，使用試驗設計選擇的少量數據點所建立模型的精度可達到使用原始大量數據點所建立模型精度的相同水平。如何將試驗設計方法和氣動數據融合建模方法結合起來，針對融合模型設計風洞試驗點分布，減少融合建模對風洞試驗數據的需求，已成為氣動建模領域的一個關鍵方向。

專利CN110188378B公開了一種基于神經網絡的氣動數據融合方法，專利CN115619035A公開了一種基于多精度深度神經網絡的氣動數據融合方法及設備，但上述兩個專利均是直接使用全部多精度數據訓練數據融合模型，未涉及使用試驗設計手段減少融合模型所需要的高精度數據數量及設計高精度數據點分布。目前尚無公開發明專利中提出在數據融合建模過程中使用試驗設計方法提高建模效率。

發明內容

為了克服以上技術問題，本發明的目的在于提供一種基于試驗設計的氣動數據融合建模方法，首先選擇神經網絡作為氣動數學模型；然后使用大量數值模擬數據訓練初始模型，該模型雖然精度較低，但整體變化趨勢與風洞數據保持一致；而后使用試驗設計方法根據當前模型選擇少量高精度風洞試驗數據點；最后使用風洞試驗數據優化部分模型參數，提高模型整體精度。能夠有效降低氣動融合建模對風洞數據的需求量，提高建模效率，節約風洞試驗成本。

為了實現上述目的，本發明采用的技術方案是：

一種基于試驗設計的氣動數據融合建模方法，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。

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。

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；