基于长短时记忆网络的压力梯度流动摩阻预测方法与流程

本发明涉及激波-边界层干扰流动预测领域。更具体地说，本发明涉及一种基于长短时记忆网络的压力梯度流动摩阻预测方法。

背景技术：

1、壁面摩阻是空气动力学问题中最主要物理量之一。当有粘气体/流体经过固体壁时，由于壁面的无滑移条件，主流和壁面的速度差会引起应力。摩擦对高速流动具有重要意义，因为高超音速飞行器总阻力的50％来自摩擦。研究者非常重视准确预测、测量摩阻并了解摩阻的起源，这可以为优化空动布局、优化发动机设计和进行实时流量控制提供支撑。然而，困难在于两个方面，一个是壁面摩阻很小，另一个是测量摩阻需要测量非常靠近壁面的壁面法向梯度。

2、从实验、数值模拟和理论发展了许多预测或测量壁面摩阻的方法和技术。这些方法又分为直接方法和间接方法，区别于是否直接测量壁面应力。在实验上，通过测量应变ε，直接法提供了具有本构关系fcon壁应力。由于ε不容易测量，特别是在飞行试验中，因此发明了大量的间接方法。可以用壁面热流、压力、温度或颗粒速度等可测量的量q来表示，经验或拟合关系被构造为cf＝ffit(q)。相关方法有基于压差的方法，如普雷斯顿管[d.w.bechert,"calibration of preston tubes,"aiaa journal 34,205-206(1996).]、k形管[t.zhigong,y.xianxu,q.weiqi,x.hanshan,b.lin,and w.wenzheng,"researchprogress on the fusion ofdata obtainedby high-speed wind tunnels,cfd andmodel flight,"acta aerodynamica sinica 41,44-58(2023)]和微型管[ch.brucker,d.bauer,and h.chaves,"dynamic response of micro-pillar sensors measuringfluctuating wall-shear-stress,"experiments in fluids 42,737-749(2007)]。基于其他量，如壁热通量、颗粒速度，还开发了热膜风速仪、粒子图像测速仪(piv)、分子标记测速仪来测量壁应力[l.x.gao nan,"a review of wall-shear-stress measurementtechniques for practical applictions,"acta aerodynamica sinica 41,1-24(2023).]。实验方法的优点是实验条件最接近工程应用，但可测量数据的稀缺性和对信号采集的影响是限制因素。同时由于很多流动中存在压力梯度，其历史效应影响了单点间接预测的效果。

3、最近，学者开发了数据驱动的方法来预测壁量，这种方法在相对较低的资源需求下实现了高精度。kim和lee提出了一种卷积神经网络(cnn)模型，通过输入附近的壁剪切应力和壁压力波动来预测局部壁热通量。lagemann等人将piv与深度学习框架raft-piv相结合，从光流中推导出壁剪切应力动力学[c.lagemann,k.lagemann,s.mukherjee,andw.schroder,"deep recurrent optical flow learning for particle imagevelocimetry data,"nature machine intelligence 3,641{651(2021).]。他们使用卷积门控递归单元来学习粒子的时空动力学。但是以上方法并没说明在有压力梯度的流动下的适用性。同时其需要物理量在风洞实验等情况下并不容易获得。

技术实现思路

1、本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。

2、为了实现本发明的这些目的和其它优点，提供了一种基于长短时记忆网络的压力梯度流动摩阻预测方法，包括：

3、s1、在地面风洞试验能力或数值计算中得到的数据参数中，选择能影响压力梯度流动摩阻预测的物理量参数；

4、获得流场局部雷诺数rex、马赫数ma∞、近壁流动偏转角φ、壁面局部曲率半径cw和局部壁面压力pw；

5、s2、对s1中的物理量参数进行归一化处理，以得到对应的归一化变量；

6、s3、将s2得到的归一后变量输入长短时记忆网络中，完成对当地摩阻预测。

7、优选的是，在s1中，选择能影响压力梯度流动摩阻预测的物理量参数的方式包括：基于下述的公式一对影响摩阻cf的直接相关物理量进行分析：

8、

9、其中，u∞为来流速度，x为流向坐标，θ为动量厚度，δ*为位移厚度，h为型因子，且h＝δ*-θ；

10、外流满足公式二：

11、

12、p是压力，ρ是密度；

13、通过对方程一、方程二的分析可知，动量通量损失、压力梯度和速度剖面畸变的耦合效应对摩阻产生影响，则通过引入流场局部雷诺数rex和马赫数ma∞来描述边界层的结构，引入近壁流动偏转角φ、壁面局部曲率半径cw和局部壁面压力pw来描述压力梯度特性，并将与边界层的结构、压力梯度特性相关的上述作为输入量。

14、优选的是，在s1中，所述物理量参数包括：流场局部雷诺数rex、马赫数ma∞、近壁流动偏转角φ、壁面局部曲率半径cw和局部壁面压力pw；

15、在s2中，采用下式分别对物理量参数进行：

16、q1＝rex/rexe2

17、q2＝ma∞/1

18、q3＝φ/(π/2)

19、q4＝cw/(1/lx)

20、q5＝pw/p∞

21、上式中，q1为对rex进行归一化处理后的归一后变量，q2为对ma∞进行归一化处理后的归一后变量，q3为对φ进行归一化处理后的归一后变量，q4为对cw进行归一化处理后的归一后变量，q5为对pw进行归一化处理后的归一后变量。

22、优选的是，在s3中，通过参数设置和训练约束的方式对长短时记忆网络进行设定，以完成当地摩阻的预测；

23、其中，所述参数设置包括：将长短时记忆网络的输入特征数量设置为5、lstm层数设置为1、每层神经元个数设置为30、输入输出长度设置为20；

24、所述训练约束包括：

25、s30、将训练集中所有工况的数据，每20个连续数据点为一组，生成数据集；

26、s31、将s30得到的数据集输入长短时记忆网络中，以adams方法为优化方法，最小平方误差为目标，进行训练；

27、其中，在训练中的初始学习率设置为5×10-5,300个周期后以0.9的倍率每200个周期降低一次，在2000个周期后完成训练。

28、本发明至少包括以下有益效果：其一，本发明精度更高，通过该方法预测的摩阻与真实的摩阻差异小，偏差一般在2％以内，即使局部位置临界分离，差异也不超过10％；

29、其二，本发明更符合物理特征，该方法考虑了局部的构型特征以及上游信息，因此针对较宽马赫数范围的流动(从马赫数3到6拐角角度从2°到8°的附着流动，图4和图5)，特别是具有局部压力梯度的这类具有历史效应的流动，仍能有效的进行摩阻预测；

30、其三，本发明使用方便，输入的变量的测量相对简单的，因为模型使用的输入量是在计算和实验中较容易获得的压力、马赫数等流动变量和偏折角、壁面曲率半径等构型几何量，因此实际使用上是方便的。

31、本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。