[发明专利]一种基于CFD和MLP的仿生鱼水动力预测方法

说明书

本发明公开一种基于CFD和MLP的仿生鱼水动力预测方法，包括建立改进的自推进运动模型；利用特定翼型构建仿生鱼二维游动几何模型；对二维几何模型采用重叠网格法进行网格划分，并进行网格独立性验证；确定输入和输出参数，基于UDF将二维几何模型和自推进运动模型融合，将二维不可压缩非定常Navier‑Stokes方程作为控制方程；确定变量并设置边界条件，对自推进模型的水动力进行数值模拟，研究参数对仿生鱼运动性能的影响；根据数值模拟的结果，基于MLP建立水动力预测模型；采用多目标遗传算法对参数进行优化，将优化后的参数通过CFD、MLP、RSM方法进行水动力预测，验证MLP预测模型的准确性，实现既可以快速启动又可以提升准稳态游动速度和运动效率的效果。

技术领域

本发明属于海洋工程和仿生机器人领域，具体涉及一种基于CFD和MLP的仿生鱼水动力预测方法，适用于水下仿生机器鱼的运动模式和水动力优化预测问题。

背景技术

水下机器人因其智能、便捷、高效等优点，在认识海洋、发展海洋、经略海洋的过程中发挥着越来越重要的作用。除了在民用领域有着广泛的应用前景外，水下机器人在国防建设和军事领域等方面也有强大的应用潜能。尤其是仿生型水下机器人由于独特的灵活性和隐蔽性，成为研发人员关注的焦点。

对于水下机器人参数优化问题，授权公告号为CN 112800690 B的发明专利公开一种基于群智能优化算法下的水下折展机构参数优化方法，利用流固耦合仿真模拟获取不同外形参数下的工作性能参数、借助BP神经网络模型与支持向量回归模型SVR联合预测，快速扩充数据集，使用粒子群优化算法，通过粒子寻优对数据进行分析，获取最优性能参数下的结构参数，探索并实现符合实际生产需求的结构最优目标。

同样的，仿生机器鱼因具有优越的水动力性能而被广泛采用，通常仿生机器鱼由身体或尾鳍驱动。行波模型是经典的鱼类游动模式，但是传统模型中仿生鱼头部为刚性，没有波动，而实际鱼类游动时头部有小幅度的波动，改进的行波模型将鱼的游动转化为尾部相对于头部的运动函数，然而没有展现出从静止到加速再到稳定的过程。目前，传统的模型并不能完全逼真地反映鱼类的游动姿态，对其运动模式的研究和预测与实际情况具有一定的偏差，且模型中的参数影响仿生鱼的水动力性能和效率，故而寻求一种方法对运动模型和参数进行优化并进行水动力预测是至关重要的。

发明内容

本发明针对传统模型存在的缺陷，提出一种基于CFD和MLP的仿生鱼水动力预测方法，基于计算流体动力学(CFD)和多层感知机(MLP)对仿生鱼的运动参数和水动力性能进行研究和预测，以确定出既可以实现快速启动又可以提升准稳态游动速度和运动效率的运动学参数。

本发明是采用以下的技术方案实现的：一种基于计算流体动力学(ComputationalFluid Dynamics，CFD)和多层感知机(Multilayer Perceptron，MLP)的仿生鱼水动力预测方法，包括以下步骤：

步骤A、建立自推进运动模型：考虑仿生鱼的头部小幅摆动，对初始模型进行优化，在振幅包络线中增加常数项，为实现在t＝0时刻启动的自推进运动，在行波函数前增加时间系数，优化的自推进模型表示如下：

y(x,t)＝[1-1/(1+10t)](c₀+c₁x+c₂x²)sin(kx+ωt)

式中，y是横向波动位移；x是沿轴向的位移；t是时间；c₀是包络线的常数项，c₁和c₂分别是振幅线性包络和二次包络的系数；k是行波的波数，λ代表波长，k＝2π/λ；f表示波动的频率，ω＝2πf；1-1/(1+10t)是时间系数；

步骤B、数值模拟并构建数据集：根据所建立的自推进运动模型，基于CFD对仿生鱼的游动进行数值模拟，根据数值模拟结果，基于输入参数和输出参数构建数据集；