技术特征：
1.一种基于深度学习的高超声速进气道流场快速预测方法，其特征在于：包括以下步骤：步骤1：生成进气道样本流场数据集；步骤2：搭建用于高超声速进气道流场快速预测的深度神经网络模型，利用样本流场数据及对神经网络模型进行训练；其中深度神经网络模型输入为进气道压缩面壁面压力，网络的输出为各个网格坐标的流动参数；步骤3：将训练好的模型用于进气道流场的快速预测。2.根据权利要求1所述一种基于深度学习的高超声速进气道流场快速预测方法，其特征在于：步骤1生成进气道样本流场数据集的具体步骤为：步骤1.1：在进气道工作范围内进行采样，得到流场样本集中各样本点的计算工况；步骤1.2：生成进气道模型的cfd计算网格；步骤1.3：对样本进行cfd数值计算，得到与样本对应的cfd流场计算结果；步骤1.4：截取内流及内缩段前方至第一级压缩面为止的空间网格，通过坐标变换将截取的网格及流场变量由物理空间坐标映射至均匀的计算空间坐标，得到基本的流场数据集。3.根据权利要求2所述一种基于深度学习的高超声速进气道流场快速预测方法，其特征在于：步骤1.1中，采用拉丁超立方抽样(lhs)方法在进气道工作范围内进行采样。4.根据权利要求2所述一种基于深度学习的高超声速进气道流场快速预测方法，其特征在于：步骤1.2中，针对进气道模型，采用结构化多块网格进行网格生成，在物面及内流道区域进行了加密，所生成的计算网格中附面层第一层高度设置为4.3
×
10-7
m，在巡航工况下网格雷诺数re
δ
＝5。5.根据权利要求2所述一种基于深度学习的高超声速进气道流场快速预测方法，其特征在于：步骤1.3中，通过有限体积法求解rans方程进行cfd数值模拟，数值模拟过程中采用的湍流模型为sst湍流模型，通量格式采用roe格式，通量限制器使用minmod通量限制器。6.根据权利要求1所述一种基于深度学习的高超声速进气道流场快速预测方法，其特征在于：步骤2中，搭建并训练深度神经网络模型的过程为：步骤2.1：深度神经网络模型采用全连接层的多层感知器网络搭建，选取样本中进气道压缩面壁面压力作为输入，网络的输出为各个网格坐标的流动参数；步骤2.2：利用步骤1中得到的样本集对深度神经网络进行训练，训练过程中使用流场中所预测的流场参数的均方根误差构建损失函数，配合优化算法直至训练集损失函数不再降低，则完成训练。
技术总结
本发明提出一种基于深度学习的高超声速进气道流场快速预测方法，以深度学习为基础，建立高超声速进气道流场快速预测模型，直接利用壁面压力传感器数据进行流场预测，应用于高超声速进气道流场的快速/实时预测和进气道状态的准确判断。相比于传统基于CFD方法获取流场，基于该方法可快速得到具有高精度、高准确性的高超声速进气道流场。此外，该方法从高超声速飞行器的实际飞行状态出发，以进气道壁面的压力传感器得到的实时壁面压力数据作为输入，可实现高超声速进气道流动状态的实时判定以及进气道流场的实时监测，进而保障飞行器的安全、高效运行。高效运行。高效运行。
技术研发人员：钟家祥 屈峰 孙迪 王梓瑞 田洁华 白俊强
受保护的技术使用者：西北工业大学
技术研发日：2022.09.13
技术公布日：2022/12/12