[发明专利]基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法

权利要求书

1.一种基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征在于，在离线阶段通过直接模拟蒙特卡洛算法经过热流无关性验证获得参数设置标准后，使用该标准下的归一化的DSMC模拟样本训练神经网络，在在线阶段针对高超声速氩气流下的圆柱绕流问题，对已知宽范围内的来流努森数、温度比以及马赫数的值，根据神经网络内已有的连接关系及相应的训练参数得到圆柱壁面的多点热流系数值。

2.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的稀薄流是指：来流努森数大于0.01的流动。

3.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的DSMC是指：直接模拟蒙特卡洛方法可变径硬球模型、NTC碰撞方案以及基于网格内粒子数进行分配的负载平衡并行方案，具体步骤包括：

1)流场初始化，即在流场内按来流条件布撒模拟粒子；

2)粒子移动，即根据粒子三个方向的速度在一定的时间步长内对粒子进行匀速移动，若与边界接触则考虑反射；

3)粒子索引，确定每个粒子所在的网格编号；

4)碰撞和化学反应，确定每个网格的碰撞对以及相应的化学反应过程，对粒子的能量及速度进行重新分配；

5)采样，对每个网格内粒子种类、总数、速度及能量进行统计；

6)输出，根据每个网格内的粒子统计信息计算温度、压力、速度信息。

4.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的热流无关性验证是指：DSMC计算得到的壁面热流结果与计算参数的设置密切相关，需要对参数设置标准进行确定，具体为：首先设置网格为0.2倍当地分子自由程，时间步长为0.1倍当地分子碰撞时间，壁面网格180，子网格2*2，初始网格粒子数200，采样次数10万次以获得准确值作为后续参照，后针对网格和时间步长分别进行无关性验证，得到参数设置标准为，网格为1倍当地分子自由程，时间步长为0.33倍当地分子碰撞时间，热流误差可以控制在0.1％以内，确保后续建立的样本的准确性。

5.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的归一化是指：将输入参数用各自范围的最大最小值进行[0,1]的映射，其中努森数先取对数后再进行[0,1]的映射。

6.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的高超声速氩气流下的圆柱绕流问题是指：来流气体为氩气，速度大于5马赫，二维圆柱在该条件流场下的相关问题。

7.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的宽范围是指：来流努森数Kn_∞范围[0.0072,14.47]，温度比T_w/T_s范围[0.012,0.2]，马赫数Ma范围[5,20]，其中：T_w为圆柱壁面温度，T_s为根据来流温度、马赫数及比热比理论计算得到的驻点温度。

8.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的神经网络包括：输入单元、第一隐藏层单元、第二隐藏层单元以及输出单元，其中：输入单元根据确定壁面热流所需最少变量个数的信息，进行无量纲处理，得到需使用3个无量纲参数对高超声速稀薄流下的热流进行预测的结果，第一隐藏层单元和第二隐藏层单元根据神经网络训练得到的误差信息，进行迭代调整神经元个数处理，得到最终的隐藏层神经元个数选定结果，输出单元根据1/4圆柱壁面重要热流信息分布位置信息，进行均匀布置处理，得到0°～80°9个热流预测位置结果。