一种基于深度学习的宽域斜爆震射流起爆调控方法

本发明涉及深度学习领域，具体是涉及一种基于深度学习的宽域斜爆震射流起爆调控方法。

背景技术：

1、当预混的可燃气体经过一道斜劈后会形成一道斜激波，引起可燃气体的压缩与升温从而诱导其快速燃烧并驻定在斜劈上方，上述燃烧组织方式称之为斜爆震燃烧。在高超声速飞行器等领域，斜爆震快速的燃烧过程和高效的能量释放使其在应对高速飞行挑战中表现出色，引起国内外专家的广泛兴趣和深入研究。斜爆震来流的压缩比与温度比息息相关，来流压缩程度较高时气体升温更快来流就越容易起爆，虽然起爆距离会随之减小，但由此导致的总压损失升高会极大地影响斜爆震发动机的推力性能。因此，为保证其燃烧效率就需要减小来流的压缩比。然而，较低的来流压缩比又可能导致斜爆震起爆距离增加，甚至使其无法成功起爆。这一矛盾使得斜爆震燃烧的研究面临着如何在保持高推力性能的同时解决起爆距离过长甚至无法起爆的挑战。在这一背景下，利用外部壁面射流进行主动控制成为目前认可的有效手段。人工引入的横向射流类似于由气流形成的“斜楔”从而产生一道较弱的射流激波与尚未起爆的斜激波相互作用达到强制起爆的目的。研究表明，若施加的射流强度(将其参数化为射流动量比)过低，形成的射流激波较弱，并不能与来流激波作用成爆震波；只有射流动量比达到一定值才能够使流场成功起爆。对于施加的射流而言，并非射流动量比越大越好，一方面是因为射流动量更大会造成资源浪费，更重要的是经过定量分析发现，射流动量比越小，斜爆震的出口推力性能反而越好。简而言之，在保证来流顺利起爆的情况下，人工施加射流的动量比越小，出口的推力性能越好。如何对所施加射流进行规划的研究尚为空白。因此，在应对国家对飞行器宽速域宽空域战略要求时，在上述背景下迅速确定适当的射流动量比具有一定的工程价值。

2、近年来，深度学习作为人工智能领域的重要支柱，已经在各个领域取得显著成就。其中，深度学习在分类与回归问题中的应用成果尤为引人注目。前者关注如何将输入数据划分为不同的类别，而回归问题则致力于预测连续数值输出。深度学习模型以其强大的非线性拟合能力和对大规模数据的高效处理能力，逐渐成为解决这些问题的主流方法。面对多样的数据结构，为了更好地捕捉和利用数据中的信息，研究者们已经认识到在分类任务中选择合适的神经网络结构至关重要。不同的数据类型，如图像、文本、时序数据、离散化数据和图数据，呈现出复杂多样的特征和关系，因此需要使用不同类型的神经网络进行处理。对于包含不同信息的输入变量，深度神经网络(dnn)结构可以很好的融合非线性特征，且将信号进行前馈计算，传递到更深的网络层以提取更丰富特征来解决分类与回归问题。虽然可以作为分类问题与回归问题的载体，但dnn解决分类问题与回归问题也存在着一些共性和差异。共性之一是它们通常采用相似的网络结构和训练方式，使用反向传播算法进行参数更新。然而，差异体现在输出层的设计，包括激活函数的选择和损失函数的设定。在分类问题中，通常会使用softmax激活函数和交叉熵损失函数，而在回归问题中，非线性激活函数像relu、tanh、selu等和均方误差损失函数更为普遍。

3、目前，dnn在回归和分类问题上应用广泛。生物信息学和医学领域，dnn在基因表达分析、疾病预测和医学图像识别方面展现强大的能力(surendar p,ponni b m.diagnosisof lung cancer using hybrid deep neural network with adaptive sine cosinecrow search algorithm[j].journal of computational science,2021,53(2):101374.doi:10.1016/j.jocs.2021.101374)。深度学习技术有助于挖掘庞大的生物医学数据集，为疾病诊断和治疗提供更准确的解决方案。工程学领域，dnn在控制系统、信号处理和故障诊断等方面的应用也在不断增加(xu z,strake m,fingscheidt t.concatenatedidentical dnn(ci-dnn)to reduce noise-type dependence in dnn-based speechenhancement[c]//2019 27th european signal processing conference(eusipco).2019.doi:10.23919/eusipco.2019.8903066)。深度学习为复杂系统的建模和优化提供新手段，为工程问题提供更高效的解决途径。

4、在航空航天领域，dnn也同样被广泛应用于分类与回归问题，并分别取得显著的成果。例如，在飞行器维护和健康监测方面，dnn被用于处理大量的传感器数据，以实现对飞机组件状态的准确分类。这有助于提前发现潜在的故障并进行预防性维护。基于dnn的工作在优化飞行器性能方面也发挥关键作用。通过对空气动力学和推进系统的数据进行回归分析，可以优化飞行器的设计和操作，以提高燃油效率和性能。在利用dnn作分类与回归联合问题时，常见的应用场景有：dnn被用来回归飞行目标的位置坐标，同时对目标进行分类，例如识别飞机、无人机或其他航空器；在发动机健康监测中，dnn可以回归分析发动机传感器的数据，预测发动机的性能和寿命，并分类是否存在异常工况；飞行器姿态控制方面，dnn不仅可以回归分析飞行器的姿态参数，还可以分类判断当前的飞行阶段，如爬升、转弯或着陆。总体而言，dnn在各个领域中通过对大规模数据的学习，以及模型结构和训练技术的不断改进，取得在回归和分类问题上的显著成就。由此可见，面对斜爆震燃烧模式判别和对合理射流回归的需求，dnn可以展现出较好的适用性，为这一任务提供理想的解决方案。

技术实现思路

1、本发明目的在于针对现有技术的存在的在实际飞行中飞行工况不确定导致调控射流量不确定等难题，提供一种基于深度学习的宽域斜爆震射流起爆调控方法。结合增量学习的概念通过dnn的分类和回归技术，准确判别不同的斜爆震燃烧模式，并对合理射流这一关键参数进行高效回归，为研究斜爆震燃烧提供强大的工具，推动相关领域的深入探索与优化。

2、本发明包括以下步骤：

3、步骤1：对不同飞行工况即不同飞行马赫数ma与飞行高度h不同射流动量比j下的斜爆震进行cfd数值模拟；

4、步骤2：cfd数值模拟的结果文件进行批量后处理，通过判断出口处羟基的百分比是否小于某个值来判断来流是否起爆；

5、步骤3：统计每个算例的(a,b)，其中a为起爆成功的概率，b为起爆失败的概率，因为只有起爆和不起爆两种情况的存在故a+b＝1，将起爆成功记为(1,0)，起爆失败记为(0,1)，由此初步构建完成过渡起爆的数据库；

6、步骤4：将冗杂的数据按升序排列，判断(a,b)是否从(0,1)转变为(1,0)，若该条件发生，在原始数据库中的起爆边界前后增加若干个工况数据点，将原始数据库进行扩充，以增强间断特征；

7、步骤5：将步骤1cfd数值模拟的数据做归一化处理；

8、步骤6：搭建第一子网络，用于实现对不同飞行工况下不同射流动量比的起爆情况的分类；第一子网络的输入为：飞行马赫数ma，飞行高度h，射流动量比j，第一子网络的输出为(a,b)；

9、步骤7：对步骤4扩充后的数据库进行测试集、训练集、验证集的划分，并设置超参数，所述超参数包括隐藏层、学习率、激活函数等；

10、步骤8：设计损失函数，鉴于流场中只有起爆和未起爆两种情况，故对起爆流场情况进行分类为二分类问题，损失函数为交叉熵函数：

11、

12、其中，losssub1为交叉熵损失函数的值，msub1为训练集的样本个数，yi为真实标签，为模型的预测概率；该损失函数用于衡量同一个随机变量中的两个不同概率分布的差异程度；

13、步骤9：选择适当的优化器用于最小化损失函数，通过反向传播算法高效地计算梯度，利用选择的优化器迭代地更新网络的权重和偏置，以使损失函数逐渐减小；

14、步骤10：设置早停机制，一旦losssub1满足收敛条件，停止训练，并生成预训练模型1，至此第一子网络设置完成；

15、步骤11；利用步骤10中的预训练模型1，快速预测更多工况的起爆情况；具体步骤为：

16、针对更多的工况，设置基础射流动量比jbase，逐步增加射流量δj，当预训练模型1的预测由起爆失败转变为起爆成功时，记起爆成功对应的射流动量比为j*；依此搜集更多工况下的合理射流动量比j*，形成飞行工况与j*一一映射的数据库；

17、步骤12：利用步骤11中的数据库，建立第二子网络，第二子网络的输入是飞行马赫数ma，飞行高度h，第二子网络输出为合理射流动量比j*；

18、步骤13：对步骤11中的数据库进行测试集、训练集、验证集的划分，并设置神经网络的隐藏层、学习率、激活函数等超参数；

19、步骤14：设计损失函数，损失函数为均方误差：

20、

21、losssub2为第二子网络损失函数的值，msub2为训练集的样本个数，i表示第i个训练样本，于是，为第i个训练样本通过步骤12得到的合理射流动量比，为第i个训练样本通过第二子网络预测的合理射流动量比，该损失函数能够衡量预测值与真实值之间的差异程度；

22、步骤15：与步骤9、步骤10类似，为第二子网络选择合适的优化器并设置早停机制，并生成预训练模型2；

23、步骤16：利用预训练模型2，输入实际飞行工况，即可输出相应条件下的合理射流动量比j*；至此，所搭建的第一子网络、第二子网络实现宽域下射流动量比的智能寻优。

24、与现有技术相比，本发明的有益技术效果在于：

25、本发明面向斜爆震发动机中关键的宽域下如何确定射流进行强制起爆的问题提出一种创新的解决方案。构建过渡起爆数据库后利用深度学习搭建第一子网络以实现不同工况和射流条件下起爆情况的精确分类判别，并生成相应的预训练模型1。经验证该模型的可靠性后利用增量学习的概念，进一步搭建第二子网络，该网络倚靠预训练模型1记录不同工况下流场由非起爆到起爆的合理射流动量比j*并形成数据库，通过该数据库训练第二神经网络以此实现不同工况下射流动量比的智能寻优。这一方法为宽域斜爆震发动机寻找合理动量比提供一种高效的工程手段，为未来高超声速推进技术的发展提供新的思路和方法。本发明不仅有望优化宽域斜爆震发动机性能，还在高超声速吸气式推进领域具有重要的工程应用价值。