[发明专利]一种机翼表面压力重构方法、电子设备及存储介质

说明书

一种机翼表面压力重构方法、电子设备及存储介质，属于风洞试验技术领域。为解决风洞测压试验的高效和准确的问题。本发明通过三维机翼风洞测压试验和三维机翼模型数值仿真采集机翼表面原始压力数据进行预处理，生成用于机翼表面压力重构的深度神经网络数据集；构建的机翼表面压力重构深度神经网络模型，通过损失函数的修改融合风洞试验和数值仿真两种来源的数据集，采用粒子群优化算法对模型超参数进行优化得到优化后深度神经网络模型进行训练测试；将方法用于模型风洞测压试验，重构机翼表面的全息压力分布，预测机翼表面非测量点的气动载荷分布数据，并对预测的全息压力分布数据进行评估验证。本发明可用于复杂飞行器的常规测压试验。

技术领域

本发明属于风洞试验技术领域，具体涉及一种机翼表面压力重构方法、电子设备及存储介质。

背景技术

在飞行器设计的各个阶段，空气动力学的研究对于飞机气动特征估计至关重要。而飞行器各部件表面的压力分布为飞行器及各部件结构强度的计算提供气动载荷分布的原始数据，同时为研究飞行器及各部件的性能以及研究模型的绕流特性提供依据，是空气动力学的研究至关重要的一环。目前获取飞行器各部件表面的压力分布的主要途径为：风洞测压试验和计算流体动力学数值模拟仿真计算方法（CFD，Computational FluidDynamics），但是两种方法均有缺陷和不足。

风洞测压试验技术是生产型风洞的常规试验技术能力之一，是衡量一个风洞试验技术发展成熟与否的标志性技术，是风洞的试验能力建设水平的体现。风洞试验的可信度较高，获取的气动力/载荷结果往往作为考核数值仿真方法精度的标准。然而，由于风洞试验的周期较长，对试验人员的经验性依赖较高，试验方案的合理性直接影响气动载荷的获取效率和效果。现有的工程实践普遍认为翼型表面至少需要布置50～100个测压孔，经过压力分布积分得到的升力和俯仰力矩系数精度才较为可信。为获得翼型表面完整的流场信息，传统方法通常在翼型表面布置足够多的测压孔进行风洞试验，通过简单的插值重构获得翼型全表面的压力分布需要较多的测压孔。对于复杂飞行器，受限于空间位置和试验成本，测压数据获得不充分，使得传统的方法精度不够；且复杂飞行器跨声速风洞试验的气动载荷受参数影响敏感，精细化的气动力/载荷的测量难度更大、周期更长。数值模拟仿真计算有着实施简单、方便灵活等特点，却因为物理模型的不明确，复杂流动的模拟往往与真实结果存在较大出入，无法达到与风洞试验一致的准确度。

发明内容

本发明要解决的问题是为了解决常规测压试验受限于空间位置和试验成本，难以在复杂模型表面布置足量的测压孔获得完整的表面压力分布信息，直接积分获得的升力和力矩精度不足；而数值仿真方法又因为物理模型的不明确，复杂流动的模拟往往与真实结果存在一定出入，且无法将其规律简单应用到风洞试验数据的问题，提出一种机翼表面压力重构方法、电子设备及存储介质。

为实现上述目的，本发明通过以下技术方案实现：

一种机翼表面压力重构方法，包括如下步骤：

S1、通过三维机翼风洞测压试验和三维机翼模型数值仿真采集机翼表面原始压力数据，将得到的机翼表面原始压力数据进行预处理，构建用于机翼表面压力重构的深度神经网络数据集；

S2、构建机翼表面压力重构深度神经网络模型，通过损失函数的修改实现步骤S1得到的用于机翼表面压力重构的深度神经网络数据集中试验数据和数值仿真数据两种来源数据样本的融合，并对构建的机翼表面压力重构深度神经网络模型进行训练测试；

S3、对步骤S2构建的机翼表面压力重构深度神经网络模型的超参数采用粒子群优化算法进行优化，得到优化后的机翼表面压力重构深度神经网络模型；

S4、利用步骤S3得到的优化后的机翼表面压力重构深度神经网络模型，应用于新飞机模型风洞测压试验，重构模型机翼表面的全息压力分布，预测模型机翼表面非测量点的气动载荷分布数据，并对预测的全息压力分布数据进行评估验证。

进一步的，步骤S1的具体实现方法包括如下步骤：