[发明专利]热气动弹性分析适用的热固耦合结构动力学降阶模型方法

权利要求书

1.一种热气动弹性分析适用的热固耦合结构动力学降阶模型方法，其特征在于，该方法包括：

S1：对结构温度场进行降阶

构建结构温度场降阶模型，对结构温度场降阶模型进行训练，训练完成后，得到任意时刻结构温度场降阶后长度为N的结构温度场低阶向量

S2：选用参考结构的模态振型作为参考模态振型Φ_ref，并基于Φ_ref将变形场降阶为长度为L的低维向量q；

S3：建立受热结构的动力学方程

其中，温度带来的刚度损失表示为温度引起的额外力载荷为模态质量阵表示为M，模态阻尼阵表示为D，线性刚度阵表示为K⁽¹⁾，节点载荷表示为F；和分别表示速度和加速度；和均为多层神经网络；

S4：建立受热结构的热固耦合动力学模型

在q和构成的L+N维空间内进行抽样，获得一系列具有不同变形场和温度场载荷的样本工况，对样本工况计算分析，并系统辨识出式(7)中的M、D、和K⁽¹⁾，以训练和训练完成后，通过和进行时变温度载荷下的非线性结构动力学分析。

2.根据权利要求1所述的热气动弹性分析适用的热固耦合结构动力学降阶模型方法，其特征在于，所述结构温度场降阶模型是基于多层神经网络构建的。

3.根据权利要求2所述的热气动弹性分析适用的热固耦合结构动力学降阶模型方法，其特征在于，所述结构温度场降阶模型采用深度学习中的自编码器神经网络进行降阶。

4.根据权利要求3所述的热气动弹性分析适用的热固耦合结构动力学降阶模型方法，其特征在于，所述自编码器神经网络分为编码部分和解码部分，自编码器神经网络的降阶过程如下：

编码部分将输入的高维向量映射到低维向量，而解码部分将低维向量再次映射到输出的高维向量；

其中，输入的高维向量则代表原始温度场，输出的高维向量则代表重构出的温度场，而中间一层的低维向量则代表降阶后的温度场。

5.根据权利要求3所述的热气动弹性分析适用的热固耦合结构动力学降阶模型方法，其特征在于，在训练自编码器神经网络时，采用反向传播方法，不断调整自编码器神经网络内部的权重和偏置参数，最终使得输入和输出的高维向量之间的误差最小。

6.根据权利要求2所述的热气动弹性分析适用的热固耦合结构动力学降阶模型方法，其特征在于，所述结构温度场降阶模型的训练样本为：针对飞行弹道，基于数值模拟方法进行气动热-结构热传导瞬态耦合分析，从分析结果中采集若干时刻的结构温度场作为训练样本。

7.根据权利要求1所述的热气动弹性分析适用的热固耦合结构动力学降阶模型方法，其特征在于，所述神经网络的输入为输出为K^(th)矩阵元素；所述神经网络的输入为输出为F^(th)矩阵元素。

8.根据权利要求7所述的热气动弹性分析适用的热固耦合结构动力学降阶模型方法，其特征在于，所述K^(th)矩阵元素和F^(th)矩阵元素分别体现温度对刚度和温度对热应力的影响，以进行时变温度载荷下的非线性结构动力学分析。

9.根据权利要求1所述的热气动弹性分析适用的热固耦合结构动力学降阶模型方法，其特征在于，所述步骤S4中，通过有限元分析计算所述样本工况对应的节点载荷，节点载荷包括变形引起的节点载荷F和温度引起的额外载荷

由变形场的低维向量q、结构温度场低阶向量节点载荷F以及额外载荷F*，通过系统辨识得出式(7)中的M、D、和K⁽¹⁾。