[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

说明书

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，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。本发明实现在宽范围稀薄流条件下能够快速且准确的预测高超声速氩气流下的圆柱壁面热流系数，测试集的21个结果表明驻点热流误差在1.5％以内，壁面热流最大误差不超过4.8％，而计算速度近似于理论公式的计算速度。

技术领域

本发明涉及的是一种高超声速飞行器领域的技术，具体是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。

背景技术

热防护系统用以保护高超声速飞行器在高速飞行条件下免受严厉的气动加热的影响，而对壁面热流的准确预测是设计热防护系统的关键。对于高超声速下的热流预测目前主要有理论、实验和数值模拟三种方法。理论公式多用于工程快速估计，但准确度不高，且主要用于连续流区的计算；实验则受限于苛刻的飞行条件；而数值模拟则由于计算资源的限制无法快速估计特定工况下的热流。且上述三种方法均受限于不同流域间的界限划分问题。因此目前急需一种能够快速且准确预测稀薄流下壁面热流的方法。

发明内容

本发明针对现有技术存在的上述不足，提出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，实现在宽范围稀薄流条件下能够快速且准确的预测高超声速氩气流下的圆柱壁面热流系数，测试集的21个结果表明驻点热流误差在1.5％以内，壁面热流最大误差不超过4.8％，而计算速度近似于理论公式的计算速度。

本发明是通过以下技术方案实现的：

本发明涉及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，在离线阶段通过直接模拟蒙特卡洛算法(DSMC)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。

所述的稀薄流是指：来流努森数大于0.01的流动。

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、速度等宏观信息。

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。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。

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。