[發明專利]一種機翼表面壓力重構方法、電子設備及存儲介質在審
| 申請號: | 202310432279.X | 申請日: | 2023-04-21 |
| 公開(公告)號: | CN116432556A | 公開(公告)日: | 2023-07-14 |
| 發明(設計)人: | 王祥云;李鴻巖;張小亮;曹曉峰;郭承鵬;劉哲;王強;崔榕峰 | 申請(專利權)人: | 中國航空工業集團公司沈陽空氣動力研究所 |
| 主分類號: | G06F30/28 | 分類號: | G06F30/28;G06F30/27;G06N3/0464;G06N3/048;G06N3/084;G06F30/23;G06T17/20;G01M9/00;G01M9/06;B64F5/60;G06F111/10;G06F113/28;G06F119/14 |
| 代理公司: | 哈爾濱市偉晨專利代理事務所(普通合伙) 23209 | 代理人: | 韓立巖 |
| 地址: | 110000 *** | 國省代碼: | 遼寧;21 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 機翼 表面 壓力 方法 電子設備 存儲 介質 | ||
一種機翼表面壓力重構方法、電子設備及存儲介質,屬于風洞試驗技術領域。為解決風洞測壓試驗的高效和準確的問題。本發明通過三維機翼風洞測壓試驗和三維機翼模型數值仿真采集機翼表面原始壓力數據進行預處理,生成用于機翼表面壓力重構的深度神經網絡數據集;構建的機翼表面壓力重構深度神經網絡模型,通過損失函數的修改融合風洞試驗和數值仿真兩種來源的數據集,采用粒子群優化算法對模型超參數進行優化得到優化后深度神經網絡模型進行訓練測試;將方法用于模型風洞測壓試驗,重構機翼表面的全息壓力分布,預測機翼表面非測量點的氣動載荷分布數據,并對預測的全息壓力分布數據進行評估驗證。本發明可用于復雜飛行器的常規測壓試驗。
技術領域
本發明屬于風洞試驗技術領域,具體涉及一種機翼表面壓力重構方法、電子設備及存儲介質。
背景技術
在飛行器設計的各個階段,空氣動力學的研究對于飛機氣動特征估計至關重要。而飛行器各部件表面的壓力分布為飛行器及各部件結構強度的計算提供氣動載荷分布的原始數據,同時為研究飛行器及各部件的性能以及研究模型的繞流特性提供依據,是空氣動力學的研究至關重要的一環。目前獲取飛行器各部件表面的壓力分布的主要途徑為:風洞測壓試驗和計算流體動力學數值模擬仿真計算方法(CFD,Computational?FluidDynamics),但是兩種方法均有缺陷和不足。
風洞測壓試驗技術是生產型風洞的常規試驗技術能力之一,是衡量一個風洞試驗技術發展成熟與否的標志性技術,是風洞的試驗能力建設水平的體現。風洞試驗的可信度較高,獲取的氣動力/載荷結果往往作為考核數值仿真方法精度的標準。然而,由于風洞試驗的周期較長,對試驗人員的經驗性依賴較高,試驗方案的合理性直接影響氣動載荷的獲取效率和效果。現有的工程實踐普遍認為翼型表面至少需要布置50~100個測壓孔,經過壓力分布積分得到的升力和俯仰力矩系數精度才較為可信。為獲得翼型表面完整的流場信息,傳統方法通常在翼型表面布置足夠多的測壓孔進行風洞試驗,通過簡單的插值重構獲得翼型全表面的壓力分布需要較多的測壓孔。對于復雜飛行器,受限于空間位置和試驗成本,測壓數據獲得不充分,使得傳統的方法精度不夠;且復雜飛行器跨聲速風洞試驗的氣動載荷受參數影響敏感,精細化的氣動力/載荷的測量難度更大、周期更長。數值模擬仿真計算有著實施簡單、方便靈活等特點,卻因為物理模型的不明確,復雜流動的模擬往往與真實結果存在較大出入,無法達到與風洞試驗一致的準確度。
發明內容
本發明要解決的問題是為了解決常規測壓試驗受限于空間位置和試驗成本,難以在復雜模型表面布置足量的測壓孔獲得完整的表面壓力分布信息,直接積分獲得的升力和力矩精度不足;而數值仿真方法又因為物理模型的不明確,復雜流動的模擬往往與真實結果存在一定出入,且無法將其規律簡單應用到風洞試驗數據的問題,提出一種機翼表面壓力重構方法、電子設備及存儲介質。
為實現上述目的,本發明通過以下技術方案實現:
一種機翼表面壓力重構方法,包括如下步驟:
S1、通過三維機翼風洞測壓試驗和三維機翼模型數值仿真采集機翼表面原始壓力數據,將得到的機翼表面原始壓力數據進行預處理,構建用于機翼表面壓力重構的深度神經網絡數據集;
S2、構建機翼表面壓力重構深度神經網絡模型,通過損失函數的修改實現步驟S1得到的用于機翼表面壓力重構的深度神經網絡數據集中試驗數據和數值仿真數據兩種來源數據樣本的融合,并對構建的機翼表面壓力重構深度神經網絡模型進行訓練測試;
S3、對步驟S2構建的機翼表面壓力重構深度神經網絡模型的超參數采用粒子群優化算法進行優化,得到優化后的機翼表面壓力重構深度神經網絡模型;
S4、利用步驟S3得到的優化后的機翼表面壓力重構深度神經網絡模型,應用于新飛機模型風洞測壓試驗,重構模型機翼表面的全息壓力分布,預測模型機翼表面非測量點的氣動載荷分布數據,并對預測的全息壓力分布數據進行評估驗證。
進一步的,步驟S1的具體實現方法包括如下步驟:
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于中國航空工業集團公司沈陽空氣動力研究所,未經中國航空工業集團公司沈陽空氣動力研究所許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202310432279.X/2.html,轉載請聲明來源鉆瓜專利網。





