[发明专利]一种基于神经网络的表面热流辨识三维效应修正方法

权利要求书

1.一种基于神经网络的表面热流辨识三维效应修正方法，其特征在于，

该方法是在驻点热流周围区域的内壁面安装若干温度传感器，先利用内部各个温度测点的温度数据，通过一维热流辨识方法得到相应受热表面点上的热流，然后引入人工神经网络算法，将上一步中各个测点相应的辨识热流归一化处理后作为神经网络的输入序列，在神经网络中通过训练得到输出的反归一化结果作为所关注区域的热流辨识值。

2.根据权利要求1所述的基于神经网络的表面热流辨识三维效应修正方法，其特征在于，

利用结构内部温度测点的温度数据采用顺序函数法进行一维热流辨识得到对应受热表面点的热流密度，其过程为：

对于一维非稳态热传导问题，温度T(x,t)的控制方程，初始条件和边界条件可以表示为：

T(x,0)＝T₀(x)

式中，t表示时间，材料初始温度分布为T₀(x)，长度为L，一端加载热流q，另一端绝热，ρ是材料的密度，C_p为比热容，k(T)是随温度变化的导热系数；

根据热传导的物理过程，按照时间顺序估计热流，即通过t_M,t_M+1,…,t_M+r-1共r个未来时间步所测得的温度来估计t_M时刻的热流值；

测点x_m处温度传感器的温度测量数据可以表示为：

式中：x_m是测点所在位置，v(t)是测量噪声；

以测点温度计算值与温度实测值的累积误差最小为目标函数，且假设t_M时刻热流仅能影响t_M至t_M+r-1之间的测点温度，并考虑数值求解中时间的离散，那么当辨识t_M时刻的热流q(t_M)时，所要优化的目标函数为：

采用Newton-Raphson算法进行求解；

建立t_M+i时刻热流q_M+i与t_M时刻热流q_M的关系，假设热流在此期间是线性变化的，当采样间隔固定时，有：

q_M+1＝q_M+(q_M-q_M-1)

q_M+n＝q_M+n(q_M-q_M-1)

则热流的迭代修正公式可表示为：

γ是牛顿-拉夫逊方法的迭代修正步长，即松弛因子；k为迭代次数，直至满足精度要求，此时计算得到的热流值就是t_M时刻的辨识值。

3.根据权利要求1所述的基于神经网络的表面热流辨识三维效应修正方法，其特征在于，在通过一维辨识方法反演出对应受热表面点的热流值后，将热流数据归一化处理后作为神经网络的输入，设神经网络输入层的节点数为n，隐层节点数设为l，输出层节点数为m，输入序列表示为向量X，输出序列则表示为Y；根据输入X，定义输入层每个节点与隐层节点之间的权值为ω_i,j，隐层阈值记为a，在经过求和单元和激活函数作用后，隐层输出H可以表示为：

其中f是隐层的激活函数，记输出层阈值为b，将隐层结果作为输出层的输入，隐层每个节点与输出层节点之间的权值为ω_j,k，同样可以计算得到输出层的实际输出O：

则此轮训练的误差为：

e_k＝Y_k-O_k k＝1,2,…,m

利用梯度下降法对权值进行迭代更新，对于输入层和隐层，其权值更新公式分别可以表示为：

ω_j,k＝ω_j,k+ηH_je_k k＝1,2,…,m；j＝1,2,…,l

其中η是优化过程中的迭代步长，即学习速率；

同理，梯度下降法中网络阈值的更新公式为：

b_k＝b_k+e_k k＝1,2,…,m。