一种针对流场结构的多任务识别方法

本发明中涉及空气动力学领域，具体说是一种涉及到多任务流场结构自动化识别的处理方法，可同时识别多种流场结构，并解决多任务识别中出现的遮挡现象，另外还具有一定的泛化能力。

背景技术：

1、在高超声速流动中会产生十分复杂的流场结构，典型的流动结构包括涡、激波、膨胀波、边界层等。其中，对于涡的定义十分模糊，通常会产生"涡涡不分"的情况，但是随着对涡的研究发现，当存在涡时周围的速度场会有明显的变化，所以可以使用速度的变化量来表示涡旋。激波是指由于流场中介质的速度的突然变化而产生的一种压缩波，它形成于高速流动的气体周围，它的存在会产生局部压力和密度的剧烈变化，从而使该处产生较高的气动热，而且会引起很多的物理现象，比如说：压缩、反射、折射等，是一种尖锐的界面，具有不连续性，激波是广泛存在于可压缩流动中的重要现象之一，对于飞行器的气动热特性影响巨大。而对于膨胀波，在压缩流体中，当流体通过减小的通道或扩张部分时，流体的压力和密度会降低，速度增加，从而产生的一种波动现象，膨胀波是一种激波的特殊形式，也称为扩张波或负激波。在航空航天中，膨胀波可以用于控制飞行器的气动特性和减少噪声。对于飞行器来说，这些结构会对其产生各种正面或负面影响。所以，识别出这些结构并对每种结构进行分析和处理，对飞行器的研究和设计有着重要的作用。

2、在现阶段研究中，大部分工作时基于传统的物理计算方法，计算量大、时间成本高，无法满足大规模计算流体力学(cfd)流场数据后处理的需求。所以，提出了使用人工智能来同时识别激波、膨胀波和涡流场结构，进行多任务流场识别研究。使用人工智能进行多任务流场结构识别的主要原因是人工智能可以帮助人们处理大量复杂的数据和信息，提高多任务流场结构识别的效率和准确性。人工智能可以帮助人们快速处理和分析大量数据，并提取关键信息和规律。另外，使用人工智能可以实现自动化识别，从而减少人工干预和误差，和传统方法相比，传统方法需要人工处理大量数据，效率较低，容易出现误差，而且计算成本较高，并且为了提高泛化性在训练时输入每个节点的曲率和每个方向的速度梯度来表示该点的物理位置信息，从而使得模型可以具有更好的外形泛化性。

技术实现思路

1、本发明提供了一种针对流场结构的多任务识别方法，主要是使用人工智能神经网络同时自动识别激波、膨胀波和涡旋，并且使得其有一定的泛化能力。

2、本发明的目的在于对于使用传统方法来完成流场识别任务时，时间成本高、计算量大、不能同时识别多种流场结构和对于复杂流场传统工程计算方法适用性差等问题，提出一种对于流场结构的多任务识别方法。

3、一种针对流场结构的多任务识别方法，该方法为：

4、将待识别的流场数据输入到多任务流场识别模型，模型同时识别出流场中的多种流场结构(激波、膨胀波和涡旋)；

5、所述的多任务流场结构识别模型是使用本发明所提方法训练得到的，训练方法如下：

6、构建训练数据集、标签数据集、测试数据集和验证数据集，上述中的各种数据集根据所提方法的需要来划分；

7、构建多任务流场结构识别网络，该网络使用分步式结构包括网络1和网络2两个网络；其中，网络1使用输入的流场训练数据集和标签数据集对多种流场结构进行识别，第二个网络对识别结构进行遮挡识别，将第一步网络中识别出的结果中被遮挡的部分进行再次识别得到最终的流场结构识别结果；

8、训练过程中从训练数据集中采样输入网络中，以最小化网络输出结果和流场结构标签之间误差的目标函数为目的进行训练，利用目标函数的反向传播优化网络参数，以得到更好的识别结果；

9、进一步地，训练中的目标函数使用加权函数，其中的权重使用划分出的验证集来进行先验训练来确定，以得到最适合于工作的权重；

10、进一步地，网络1中包括一个输入层和五个卷积层，加最大池化层，另外使用relu非线性激活函数，最后一层为输出层，输出多任务的识别结果，通道数等于识别结构类别的数量。网络2以网络1的输出为输入，对网络1中的结果进行再次处理，将遮挡的位置的结构识别分离出，其网络结构同样使用输入层和卷积层，在输出时，输出被遮挡位置的结构和其他部分两个类别，所以网络2的通道数是2，之后，对网络1和网络2得到的结果进行后处理，得到最终的多任务识别结果。

11、进一步地，所述最小化网络输出结果和流场结构标签之间的误差为目的的目标函数定义为如下：

12、

13、

14、其中，loss1表示第一步的网络损失函数，loss2表示第二步的网络损失函数，和v1、v2、v3分别表示网络1的网络输出结果和标签值，y和y1分别表示网络2的网络输出结果和标签值，其中的权重，使用验证集进行先验训练得到。

15、进一步地，将所述目标网络的多个结果组合起来，在流场中显示所识别出的多个任务。

技术特征：

1.一种针对流场结构的多任务识别方法，其特征在于：

2.根据权利要求1所述的方法，其特征在于：训练过程中从训练数据集中采样输入网络中，以最小化网络输出结果和流场结构标签之间误差的目标函数为目的进行训练，利用目标函数的反向传播优化网络参数，以得到更好的识别结果；训练中的目标函数使用加权函数，其中的权重使用划分出的验证集来进行先验训练来确定，以得到最适合于工作的权重。

3.根据权利要求1所述的方法，网络1中包括一个输入层和五个卷积层，加最大池化层，另外使用relu非线性激活函数，最后一层为输出层，输出多任务的识别结果，通道数等于识别结构类别的数量。网络2以网络1的输出为输入，对网络1中的结果进行再次处理，将遮挡的位置的结构识别分离出，其网络结构同样使用输入层和卷积层，在输出时，输出被遮挡位置的结构和其他部分两个类别，所以网络2的通道数是2，之后，对网络1和网络2得到的结果进行后处理，得到最终的多任务识别结果。

4.根据权利要求1所述的方法，最小化网络输出结果和流场结构标签之间的误差为目的的目标函数定义为如下：

技术总结
本发明公开了一种针对流场结构的多任务识别方法。本发明中指代的多任务主要包括为：流场结构中的激波识别任务、膨胀波识别任务和涡旋识别任务。针对这三种流场结构提出了一种针对流场结构的多任务识别方法。由于本发明中提出的三种流场结构都形成在边界层中，而边界层是指飞行器在高速飞行时在其表面形成的一种流场结构，当飞行器外部形状不同时，所形成的流场也会不同，就会导致产生外形泛化问题。针对此问题，本发明提出使用飞行器外形中的曲率半径来表示外形信息，进而使得本发明提出的针对流场结构的多任务识别方法具有一定的泛化能力。另外，在进行多任务识别时，会出现结构相互遮挡的情况，针对该问题在多任务网络之后添加了遮挡识别网络，从而解决多任务流场结构识别产生的结构遮挡问题。本发明能有效自动化的同时识别出多种流场结构，并且在不同外形条件下得到的流场数据都适用，具有一定的泛化能力。

技术研发人员：孙亚辉,王庆凤,黄俊
受保护的技术使用者：西南科技大学
技术研发日：
技术公布日：2024/1/15