用于数字样机建立的气动数值模拟数据集生成方法和系统与流程

1.本发明涉及飞行器气动预测领域，尤其是涉及一种用于数字样机建立的气动数值模拟数据集生成方法和系统。


背景技术：

2.当前飞行器研发的全流程中越来越多地采用基于统一模型的数字样机体系，这意味着气动外形的迭代优化需求在研制过程中前移，在研发初期即要求在短时间内提供大量较高精度的气动数据、快速建立气动数据库，并在此基础上构建数字样机。
3.气动数据库需求的前移，对气动研究手段的时效性提出了严峻的挑战。受制于网格生成速度、并行效率瓶颈、数据传输与分析速度等因素，传统的cfd数值模拟技术无法满足数字样机的时效性要求。增加高性能计算集群建设规模，受限于经费、建设场地等限制，对满足时效性要求的作用有限。风洞试验成本昂贵，还受到模型设计加工周期、试验运行时间要求等物理限制，难以在短时间内提供足够的数据。气动研究手段成为飞行器研制周期的瓶颈。


技术实现要素：

4.本发明解决的技术问题是：为保证气动研究的时效性，在短时间内提供足够的数据，快速建立气动数据库用于构建飞行器数字样机，本发明提供了一种用于数字样机建立的气动数值模拟数据集生成方法和系统。
5.本发明所采用的技术方案是：一种用于数字样机建立的气动数值模拟数据集生成方法，包括:
6.s1：对选取的若干种飞行器外形生成表面网格，计算获得n0种飞行状态下的气动力y
l
；n0为给定的全部飞行状态个数；
7.s2：从n0种飞行状态下选出ni个融合状态点；ni《n0，其中，i＝1,2,3,
…
,n；n为正整数；
8.s3：用数值模拟方法进行ni个融合状态点的数值模拟，获得气动力数据集yh；
9.s4：使用ni个融合状态点的气动力数据集yh和n0种飞行状态下的气动力y
l
，训练多置信度融合神经网络的线性模型f
l
和非线性模型f
nl
，并判断神经网络预测误差εi是否满足εi《ε0；
10.其中，ε0为设定的最大偏差；
11.如果满足εi《ε0，则训练结束，利用线性模型f
l
和非线性模型f
nl
输出全部计算结果。
12.进一步的，所述s4还包括：如果不满足εi《ε0，则返回s2，从n0种飞行状态下选出n
i+1
个融合状态点进行数值模拟，ni《n
i+1
。
13.进一步的，所述神经网络预测误差εi的计算方法，包括：
14.将n0种飞行状态下的气动力y
l
作为输入，分别训练线性模型f
l
和非线性模型f
nl
，使线性模型f
l
和非线性模型f
nl
加权后输出的结果αfn+(1-α)f
nl
与气动力数据集yh相等；
15.其中，α∈[0,1]；
[0016]
调整α的值，使线性模型f
l
和非线性模型f
nl
训练的代价函数最小；
[0017]
在ni个融合状态点以外，继续选出(n
i+1-ni)个融合状态点；
[0018]
用数值模拟方法，进行(n
i+1-ni)个融合状态点的数值模拟，将得到的气动力模拟数据补充进气动力数据集yh；
[0019]
对新补充的(n
i+1-ni)个融合状态点，计算加权结果αfn+(1-α)f
nl
与气动力数据集yh的最大误差εi。
[0020]
进一步的，所述s1中，利用牛顿法或面元法获得n0种飞行状态下的气动力y
l
。
[0021]
进一步的，所述s2中，通过随机选取或拉丁超立方法从n0种飞行状态下选出ni个融合状态点。
[0022]
一种用于数字样机建立的气动数值模拟数据集生成系统，包括:
[0023]
第一模块：用于对选取的若干种飞行器外形生成表面网格，计算获得n0种飞行状态下的气动力y
l
；n0为给定的全部飞行状态个数；
[0024]
第二模块：用于从n0种飞行状态下选出ni个融合状态点；用数值模拟方法进行ni个融合状态点的数值模拟，获得气动力数据集yh；ni《n0，其中，i＝1,2,3,
…
,n；n为正整数；
[0025]
第三模块：用于使用ni个融合状态点的气动力数据集yh和n0种飞行状态下的气动力y
l
，训练多置信度融合神经网络的线性模型f
l
和非线性模型f
nl
，并计算神经网络预测误差εi；
[0026]
第四模块：用于判断神经网络预测误差εi是否满足εi《ε0；如果满足εi《ε0，则返回第三模块，利用线性模型f
l
和非线性模型f
nl
输出全部计算结果；其中，ε0为设定的最大偏差。
[0027]
进一步的，所述第四模块还包括：如果不满足εi《ε0，则返回第二模块，从n0种飞行状态下选出n
i+1
个融合状态点进行数值模拟，ni《n
i+1
。
[0028]
进一步的，所述神经网络预测误差εi的计算方法，包括：
[0029]
将n0种飞行状态下的气动力y
l
作为输入，分别训练线性模型f
l
和非线性模型f
nl
，使线性模型f
l
和非线性模型f
nl
加权后输出的结果αfn+(1-α)f
nl
与气动力数据集yh相等；
[0030]
其中，α∈[0,1]；
[0031]
调整α的值，使线性模型f
l
和非线性模型f
nl
训练的代价函数最小；
[0032]
在ni个融合状态点以外，继续选出(n
i+1-ni)个融合状态点；
[0033]
用数值模拟方法，进行(n
i+1-ni)个融合状态点的数值模拟，将得到的气动力模拟数据补充进气动力数据集yh；
[0034]
对新补充的(n
i+1-ni)个融合状态点，计算加权结果αfn+(1-α)f
nl
与气动力数据集yh的最大误差εi。
[0035]
进一步的，所述第一模块中，利用牛顿法或面元法获得n0种飞行状态下的气动力y
l
。
[0036]
进一步的，所述第二模块中，通过随机选取或拉丁超立方法从n0种飞行状态下选出ni个融合状态点。
[0037]
本发明与现有技术相比的优点在于：
[0038]
(1)现有快速预测气动特性的方法主要是牛顿法、面元法等工程预测方法，没有考虑流动的粘性、湍流等特性，预测可信度低。本发明基于多源数据融合方法，用高可信度的
数值模拟数据对快速预测结果进行修正，有效提高预测结果的可信度。
[0039]
(2)现有流场预测的方法是对每个外形分别生成计算网格，然后对每个马赫数、攻角、侧滑角等参数逐一计算直到收敛。用其它状态下已经收敛的流场作为初始条件并不能显著提高收敛速度。本发明利用工程估算方法给出不同状态间气动特性变化的大致趋势，融合部分状态点的数值模拟数据快速给出全部状态点的准确预测，有效提高全部气动数据库建立的速度。
附图说明
[0040]
图1是本发明的方法原理框图。
具体实施方式
[0041]
本发明利用牛顿法、面元法等工程快速预测方法获得所要求全部状态的气动力数据，再选取部分状态点进行数值模拟得到高可信度数据，通过多置信度神经网络对工程方法与数值模拟数据进行融合，在完成部分数值模拟的情况下快速给出可靠性高于工程估算方法的气动数据集。
[0042]
本发明基于多置信度神经网络的多源气动数据融合，逐步进行数值模拟并在融合数据中添加高可信度的数值模拟数据，不断修正工程算法预测结果，在完成部分数值模拟的情况下即可快速给出可靠性高于工程估算方法的气动数据、能够用于设计初期方案迭代的气动性能评估。
[0043]
如图1所示，本发明的一种用于数字样机建立的气动数值模拟数据集生成方法，包括:
[0044]
步骤1：对选取若干种飞行器外形生成表面网格，利用牛顿法、面元法等工程快速预测方法获得n0种飞行状态下的气动力y
l
；n0为给定的全部飞行状态个数；
[0045]
步骤2：通过随机选取、拉丁超立方方法等策略从n0种飞行状态下选出ni个融合状态点；ni《n0，其中，i＝1,2,3,
…
,n；n为正整数；
[0046]
步骤3：用数值模拟方法进行ni个融合状态点的数值模拟，获得气动力数据集yh；
[0047]
步骤4：使用ni个融合状态点的气动力数据集yh和n0种飞行状态下的气动力y
l
，训练多置信度融合神经网络的线性模型f
l
和非线性模型f
nl
，并判断神经网络预测误差εi是否满足εi《ε0；
[0048]
其中，ε0为设定的最大偏差；
[0049]
如果满足，则训练结束，利用线性模型f
l
和非线性模型f
nl
输出全部计算结果；
[0050]
如果不满足，则返回步骤2，从n0种飞行状态下选出n
i+1
个融合状态点，进行数值模拟，ni《n
i+1
。
[0051]
所述步骤4具体包括：
[0052]
步骤41：将n0种飞行状态下的气动力y
l
作为输入，分别训练线性模型f
l
和非线性模型f
nl
，使线性模型f
l
和非线性模型f
nl
加权后输出的结果αfn+(1-α)f
nl
与气动力数据集yh相等；
[0053]
其中，α∈[0,1]；
[0054]
步骤42：调整α的值，使线性模型f
l
和非线性模型f
nl
训练的代价函数最小；
[0055]
步骤43：通过随机选取、拉丁超立方等策略，在ni个融合状态点以外，继续选出(n
i+1-ni)个融合状态点；
[0056]
步骤44：用数值模拟方法，进行(n
i+1-ni)个融合状态点的数值模拟，将得到的气动力模拟数据补充进气动力数据集yh；
[0057]
步骤45：对新补充的(n
i+1-ni)个融合状态点，计算加权结果αfn+(1-α)f
nl
与气动力数据集yh的最大误差εi。
[0058]
一种用于数字样机建立的气动数值模拟数据集生成系统，包括:
[0059]
第一模块：用于对选取的若干种飞行器外形生成表面网格，计算获得n0种飞行状态下的气动力y
l
；n0为给定的全部飞行状态个数；
[0060]
第二模块：用于从n0种飞行状态下选出ni个融合状态点；用数值模拟方法进行ni个融合状态点的数值模拟，获得气动力数据集yh；ni《n0，其中，i＝1,2,3,
…
,n；n为正整数；
[0061]
第三模块：用于使用ni个融合状态点的气动力数据集yh和n0种飞行状态下的气动力y
l
，训练多置信度融合神经网络的线性模型f
l
和非线性模型f
nl
，并计算神经网络预测误差εi；
[0062]
第四模块：用于判断神经网络预测误差εi是否满足εi《ε0；如果满足εi《ε0，则返回第三模块，利用线性模型f
l
和非线性模型f
nl
输出全部计算结果；其中，ε0为设定的最大偏差；
[0063]
如果不满足εi《ε0，则返回第二模块，从n0种飞行状态下选出n
i+1
个融合状态点进行数值模拟，ni《n
i+1
。
[0064]
所述神经网络预测误差εi的计算方法，包括：
[0065]
将n0种飞行状态下的气动力y
l
作为输入，分别训练线性模型f
l
和非线性模型f
nl
，使线性模型f
l
和非线性模型f
nl
加权后输出的结果αfn+(1-α)f
nl
与气动力数据集yh相等；
[0066]
其中，α∈[0,1]；
[0067]
调整α的值，使线性模型f
l
和非线性模型f
nl
训练的代价函数最小；
[0068]
在ni个融合状态点以外，继续选出(n
i+1-ni)个融合状态点；
[0069]
用数值模拟方法，进行(n
i+1-ni)个融合状态点的数值模拟，将得到的气动力模拟数据补充进气动力数据集yh；
[0070]
对新补充的(n
i+1-ni)个融合状态点，计算加权结果αfn+(1-α)f
nl
与气动力数据集yh的最大误差εi。
[0071]
所述第一模块中，利用牛顿法或面元法获得n0种飞行状态下的气动力y
l
。
[0072]
所述第二模块中，通过随机选取或拉丁超立方法从n0种飞行状态下选出ni个融合状态点。
[0073]
本发明未详细说明的部分属于本领域技术人员公知技术。

技术特征：
1.一种用于数字样机建立的气动数值模拟数据集生成方法，其特征在于，包括:s1：对选取的若干种飞行器外形生成表面网格，计算获得n0种飞行状态下的气动力y
l
；n0为给定的全部飞行状态个数；s2：从n0种飞行状态下选出n
i
个融合状态点；n
i
<n0，其中，i＝1,2,3,
…
,n；n为正整数；s3：用数值模拟方法进行n
i
个融合状态点的数值模拟，获得气动力数据集y
h
；s4：使用n
i
个融合状态点的气动力数据集y
h
和n0种飞行状态下的气动力y
l
，训练多置信度融合神经网络的线性模型f
l
和非线性模型f
nl
，并判断神经网络预测误差ε
i
是否满足ε
i
<ε0；其中，ε0为设定的最大偏差；如果满足ε
i
<ε0，则训练结束，利用线性模型f
l
和非线性模型f
nl
输出全部计算结果。2.根据权利要求1所述的一种用于数字样机建立的气动数值模拟数据集生成方法，其特征在于，所述s4还包括：如果不满足ε
i
<ε0，则返回s2，从n0种飞行状态下选出n
i+1
个融合状态点进行数值模拟，n
i
<n
i+1
。3.根据权利要求1所述的一种用于数字样机建立的气动数值模拟数据集生成方法，其特征在于，所述神经网络预测误差ε
i
的计算方法，包括：将n0种飞行状态下的气动力y
l
作为输入，分别训练线性模型f
l
和非线性模型f
nl
，使线性模型f
l
和非线性模型f
nl
加权后输出的结果αf
n
+(1-α)f
nl
与气动力数据集y
h
相等；其中，α∈[0,1]；调整α的值，使线性模型f
l
和非线性模型f
nl
训练的代价函数最小；在n
i
个融合状态点以外，继续选出(n
i+1-n
i
)个融合状态点；用数值模拟方法，进行(n
i+1-n
i
)个融合状态点的数值模拟，将得到的气动力模拟数据补充进气动力数据集y
h
；对新补充的(n
i+1-n
i
)个融合状态点，计算加权结果αf
n
+(1-α)f
nl
与气动力数据集y
h
的最大误差ε
i
。4.根据权利要求1所述的一种用于数字样机建立的气动数值模拟数据集生成方法，其特征在于，所述s1中，利用牛顿法或面元法获得n0种飞行状态下的气动力y
l
。5.根据权利要求1所述的一种用于数字样机建立的气动数值模拟数据集生成方法，其特征在于，所述s2中，通过随机选取或拉丁超立方法从n0种飞行状态下选出n
i
个融合状态点。6.一种用于数字样机建立的气动数值模拟数据集生成系统，其特征在于，包括:第一模块：用于对选取的若干种飞行器外形生成表面网格，计算获得n0种飞行状态下的气动力y
l
；n0为给定的全部飞行状态个数；第二模块：用于从n0种飞行状态下选出n
i
个融合状态点；用数值模拟方法进行n
i
个融合状态点的数值模拟，获得气动力数据集y
h
；n
i
<n0，其中，i＝1,2,3,
…
,n；n为正整数；第三模块：用于使用n
i
个融合状态点的气动力数据集y
h
和n0种飞行状态下的气动力y
l
，训练多置信度融合神经网络的线性模型f
l
和非线性模型f
nl
，并计算神经网络预测误差ε
i
；第四模块：用于判断神经网络预测误差ε
i
是否满足ε
i
<ε0；如果满足ε
i
<ε0，则返回第三模块，利用线性模型f
l
和非线性模型f
nl
输出全部计算结果；其中，ε0为设定的最大偏差。7.根据权利要求6所述的一种用于数字样机建立的气动数值模拟数据集生成系统，其
特征在于，所述第四模块还包括：如果不满足ε
i
<ε0，则返回第二模块，从n0种飞行状态下选出n
i+1
个融合状态点进行数值模拟，n
i
<n
i+1
。8.根据权利要求6所述的一种用于数字样机建立的气动数值模拟数据集生成系统，其特征在于，所述神经网络预测误差ε
i
的计算方法，包括：将n0种飞行状态下的气动力y
l
作为输入，分别训练线性模型f
l
和非线性模型f
nl
，使线性模型f
l
和非线性模型f
nl
加权后输出的结果αf
n
+(1-α)f
nl
与气动力数据集y
h
相等；其中，α∈[0,1]；调整α的值，使线性模型f
l
和非线性模型f
nl
训练的代价函数最小；在n
i
个融合状态点以外，继续选出(n
i+1-n
i
)个融合状态点；用数值模拟方法，进行(n
i+1-n
i
)个融合状态点的数值模拟，将得到的气动力模拟数据补充进气动力数据集y
h
；对新补充的(n
i+1-n
i
)个融合状态点，计算加权结果αf
n
+(1-α)f
nl
与气动力数据集y
h
的最大误差ε
i
。9.根据权利要求6所述的一种用于数字样机建立的气动数值模拟数据集生成系统，其特征在于，所述第一模块中，利用牛顿法或面元法获得n0种飞行状态下的气动力y
l
。10.根据权利要求6所述的一种用于数字样机建立的气动数值模拟数据集生成系统，其特征在于，所述第二模块中，通过随机选取或拉丁超立方法从n0种飞行状态下选出n
i
个融合状态点。

技术总结
为保证气动研究的时效性，在短时间内提供足够的数据，快速建立气动数据库用于构建飞行器数字样机，本发明提供一种大规模气动数值模拟数据库的快速建立方法，利用牛顿法、面元法等工程快速预测方法获得所要求全部状态的气动力数据，再选取部分状态点进行数值模拟得到高可信度数据，通过多置信度神经网络对工程方法与数值模拟数据进行融合，在完成部分数值模拟的情况下快速给出可靠性高于工程估算方法的气动数据集。的气动数据集。的气动数据集。


技术研发人员：胡宁 赵渊 杨乐天 时晓天 赵俊波 王斌
受保护的技术使用者：中国航天空气动力技术研究院
技术研发日：2023.03.01
技术公布日：2023/8/1