[发明专利]一种用于水下航行器流场分析的转捩点检测方法

说明书

本发明实施例公开了一种用于水下航行器流场分析的转捩点检测方法，涉及流场特征检测领域，能够扩大应用范围，适用于更多的应用场景中，并且解决了转捩点单点估计的缺陷。本发明包括：接收客户端发送的流场初始信息，并根据流场初始信息建立流场模型；建立训练数据集和测试数据集；对训练数据集和测试数据集进行编码处理，得到的编码结果包括：训练数据集和测试数据各自对应的热力图；建立卷积神经网络预测模型，并通过训练数据集对深度卷积神经网络预测模型进行训练，并更新卷积神经网络预测模型的网络权重；在测试阶段，将测试数据输入训练后的卷积神经网络预测模型，之后，对卷积神经网络预测模型的输出进行解码，得到最终的转捩点坐标并返回给客户端。

技术领域

本发明涉及流场特征检测领域，尤其涉及一种用于水下航行器流场分析的转捩点检测方法。

背景技术

水下潜艇在前行时表面会产生分离泡的流体结构，而转捩点是分离泡中的一个关键点。转捩点的位置与雷诺数、表面曲率、湍流强度、攻角等有关，传统模型很难涉及所有影响因素。分析并判断该点的位置对于翼型设计和潜艇设计有重大的意义。

转捩点分析模型的建模方法包括基于线性稳定理论(LST)、二次稳定方程(PSE)的经验方法、大涡模拟(LES)和直接数值模拟(DNS)。基于线性稳定理论(LST)的方法评估不稳定波的局部放大率，并假设在不稳定波达到足够大的振幅阈值后发生湍流。由于非线性不稳定程度较短，线性不稳定区域占过渡过程的大部分。因此，基于LST的方法得到了广泛的研究。

然而，由于在实际的大多数情况下，过渡开始是由经验值决定的，因此模型只能在特定的场景下工作(特定的工作条件和翼型等)，且得出转捩点是单点估计，也缺少相应的置信度。

因此，如何在流场分析的过程中，优化转捩点检测的方式，从而适用于更多场景和工况，而不局限于某些特定的场景条件，成为了需要研究并解决的问题。

发明内容

本发明的实施例提供一种用于水下航行器流场分析的转捩点检测方法，能够扩大应用范围，适用于更多的应用场景中，并且解决了转捩点单点估计的缺陷。

为达到上述目的，本发明的实施例采用如下技术方案：

步骤1、接收客户端发送的流场初始信息，并根据所述流场初始信息建立流场模型；

步骤2、建立训练数据集和测试数据集；

步骤3、对所述训练数据集和所述测试数据集进行编码处理，得到的编码结果包括：所述训练数据集和所述测试数据各自对应的热力图。

其中，热力图被用作数据的真实标签；

步骤4、建立卷积神经网络预测模型，并通过训练数据集和与训练数据集对应的热力图，对卷积神经网络预测模型进行训练，更新所述卷积神经网络预测模型的网络权重；

步骤5、在测试阶段，从所述测试数据集中提取测试数据输入训练后的所述卷积神经网络预测模型，之后，对所述卷积神经网络预测模型的输出进行解码，得到最终的转捩点坐标并返回给所述客户端。

本发明实施例提供的用于水下航行器流场分析的转捩点检测方法，各个技术人员可以使用客服端提供的信息，计算主体运行于服务器端。根据客户端设置的流场信息，建立流场模型并计算流场数据；根据流线信息构造训练数据；对数据进行合理编码，用于训练卷积神经网络模型；建立卷积神经网络预测模型，对深度卷积神经网络预测模型进行训练，更新网络权重；用模型对待预测数据进行计算解码，最终得到的结果返回客服端。