1.本发明涉及的是一种高超声速飞行器领域的技术，具体是一种基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法。
背景技术：2.热防护系统用以保护高超声速飞行器在高速飞行条件下免受严厉的气动加热的影响，而对壁面热流的准确预测是设计热防护系统的关键。对于高超声速下的热流预测目前主要有理论、实验和数值模拟三种方法。理论公式多用于工程快速估计，但准确度不高，且主要用于连续流区的计算；实验则受限于苛刻的飞行条件；而数值模拟则由于计算资源的限制无法快速估计特定工况下的热流。且上述三种方法均受限于不同流域间的界限划分问题。因此目前急需一种能够快速且准确预测稀薄流下壁面热流的方法。
技术实现要素：3.本发明针对现有技术存在的上述不足，提出一种基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，实现在宽范围稀薄流条件下能够快速且准确的预测高超声速氩气流下的圆柱壁面热流系数，测试集的21个结果表明驻点热流误差在1.5％以内，壁面热流最大误差不超过4.8％，而计算速度近似于理论公式的计算速度。
4.本发明是通过以下技术方案实现的：
5.本发明涉及一种基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，在离线阶段通过直接模拟蒙特卡洛算法(dsmc)经过热流无关性验证获得参数设置标准后，使用该标准下的归一化的dsmc模拟样本训练神经网络，在在线阶段针对高超声速氩气流下的圆柱绕流问题，对已知宽范围内的来流努森数、温度比以及马赫数的值，根据神经网络内已有的连接关系及相应的训练参数得到圆柱壁面的多点热流系数值。
6.所述的稀薄流是指：来流努森数大于0.01的流动。
7.所述的dsmc是指：直接模拟蒙特卡洛方法可变径硬球模型、ntc碰撞方案以及基于网格内粒子数进行分配的负载平衡并行方案，具体步骤包括：
8.1)流场初始化，即在流场内按来流条件布撒模拟粒子。
9.2)粒子移动，即根据粒子三个方向的速度在一定的时间步长内对粒子进行匀速移动，若与边界接触则考虑反射。
10.3)粒子索引，确定每个粒子所在的网格编号。
11.4)碰撞和化学反应，确定每个网格的碰撞对以及相应的化学反应过程，对粒子的能量及速度进行重新分配。
12.5)采样，对每个网格内粒子种类、总数、速度及能量进行统计。
13.6)输出，根据每个网格内的粒子统计信息计算温度、压力、速度等宏观信息。
14.所述的热流无关性验证是指：dsmc计算得到的壁面热流结果与计算参数的设置密切相关，需要对参数设置标准进行确定。首先设置网格为0.2倍当地分子自由程，时间步长
为0.1倍当地分子碰撞时间，壁面网格180，子网格2*2，初始网格粒子数200，采样次数10万次以获得准确值作为后续参照。后针对网格和时间步长分别进行无关性验证，得到参数设置标准为，网格为1倍当地分子自由程，时间步长为0.33倍当地分子碰撞时间，热流误差可以控制在0.1％以内，确保后续建立的样本的准确性。
15.所述的归一化是指：将输入参数用各自范围的最大最小值进行[0,1]的映射，其中努森数先取对数后再进行[0,1]的映射。
[0016]
所述的高超声速氩气流下的圆柱绕流问题是指：来流气体为氩气，速度大于5马赫，二维圆柱在该条件流场下的相关问题。
[0017]
所述的宽范围是指：来流努森数kn
∞
范围[0.0072,14.47]，温度比tw/ts范围[0.012,0.2]，马赫数ma范围[5,20]，其中：tw为圆柱壁面温度，ts为根据来流温度、马赫数及比热比理论计算得到的驻点温度。
[0018]
所述的神经网络包括：输入单元、第一隐藏层单元、第二隐藏层单元以及输出单元，其中：输入单元根据确定壁面热流所需最少变量个数的信息，进行无量纲处理，得到需使用3个无量纲参数对高超声速稀薄流下的热流进行预测的结果，第一隐藏层单元和第二隐藏层单元根据神经网络训练得到的误差信息，进行迭代调整神经元个数处理，得到最终的隐藏层神经元个数选定结果，输出单元根据1/4圆柱壁面重要热流信息分布位置信息，进行均匀布置处理，得到0
°
～80
°
9个热流预测位置结果。
[0019]
所述的输入单元由三个输入层组成，两个隐藏层单元分别由20个神经元和15个神经元组成，输出单元由九个输出层组成，层与层之间采用全连接，即每一个神经元都与下一层的每个神经元连接，每一个连接都对应一个具体的权值，隐藏层的每个神经元以及每个输出都对应一个具体的基础值，权值与基础值即为训练参数。其中训练参数由102个在宽范围内随机选取的点的dsmc模拟结果训练得到。损失函数为均方误差，并利用levenberg
–
marquardt算法进行优化。收敛条件为均方差小于0.001或迭代步数达到2500步。
[0020]
所述的圆柱壁面上的多点是指：从驻点开始，以10
°
为步长依次选取共9个点，覆盖范围为0
°
～80
°
。技术效果
[0021]
本发明利用神经网络建立代理模型并对高超声速稀薄流下圆柱壁面热流进行预测，与现有技术相比，能够在宽范围稀薄流条件下能够快速且准确地预测高超声速氩气流下的圆柱壁面热流系数。
附图说明
[0022]
图1为直接模拟蒙特卡罗方法计算流程示意图；
[0023]
图2为神经网络结构示意图；
[0024]
图3为二维圆柱绕流问题壁面驻点热流对比结果示意图；
[0025]
图4为二维圆柱绕流问题壁面驻点热流误差分布结果示意图；
[0026]
图5为二维圆柱绕流问题壁面热流对比结果示意图；
[0027]
图中：(a)为kn
∞
、(b)为tw/ts、(c)为ma,ann为本发明预测结果。
具体实施方式
[0028]
如图1所示，为本实施例涉及一种基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，针对一个二维的氩气圆柱绕流问题，给定7组至21组不同的来流条件、圆柱半径及壁面温度，分别使用基于神经网络的预测模型和dsmc方法进行驻点热流计算并比较结果。
[0029]
经过具体实际实验，在高超声速稀薄来流的具体环境设置下，以三个无量纲参数运行上述方法，能够得到的实验数据是：每组来流条件下圆柱壁面上九个点的热流系数。
[0030]
所述的7组不同的来流条件、圆柱半径及壁面温度具体是指：no.map(pa)t(k)r(m)tw(k)kn
∞
tw/ts112.51.0426835.52650.0012000.32360.106212.583.658571.05310.0014000.01000.106312.50.01423106.580.0160010.00000.106412.50.926731188.2910.012000.32360.02512.50.02197562.76360.16000.32360.18660.065856145.0710.12000.32360.1067180.01007334.60290.14000.32360.106
[0031]
所述的21组不同的来流条件、圆柱半径及壁面温度具体是指：在宽范围内随机选取21组条件。
[0032]
本实施例中驻点热流结果对比图如图3。
[0033]
本实施例中驻点热流误差分布图如图4。
[0034]
本实施例表明在宽范围内随机选点时，使用基于神经网络的预测模型可以得到准确的驻点热流结果，最大误差不超过1.5％。
[0035]
本实施例中结果对比图如图5。
[0036]
本实施例表明在宽范围的边界及中心处，使用基于神经网络的预测模型可以得到准确的结果，最大误差不超过4.8％。
[0037]
与现有技术相比，本方法在具备高准确度(《5％)的同时，计算速度近似于理论公式的计算速度。
[0038]
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
技术特征：1.一种基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征在于，在离线阶段通过直接模拟蒙特卡洛算法经过热流无关性验证获得参数设置标准后，使用该标准下的归一化的dsmc模拟样本训练神经网络，在在线阶段针对高超声速氩气流下的圆柱绕流问题，对已知宽范围内的来流努森数、温度比以及马赫数的值，根据神经网络内已有的连接关系及相应的训练参数得到圆柱壁面的多点热流系数值。2.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的稀薄流是指：来流努森数大于0.01的流动。3.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的dsmc是指：直接模拟蒙特卡洛方法可变径硬球模型、ntc碰撞方案以及基于网格内粒子数进行分配的负载平衡并行方案，具体步骤包括：1)流场初始化，即在流场内按来流条件布撒模拟粒子；2)粒子移动，即根据粒子三个方向的速度在一定的时间步长内对粒子进行匀速移动，若与边界接触则考虑反射；3)粒子索引，确定每个粒子所在的网格编号；4)碰撞和化学反应，确定每个网格的碰撞对以及相应的化学反应过程，对粒子的能量及速度进行重新分配；5)采样，对每个网格内粒子种类、总数、速度及能量进行统计；6)输出，根据每个网格内的粒子统计信息计算温度、压力、速度信息。4.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的热流无关性验证是指：dsmc计算得到的壁面热流结果与计算参数的设置密切相关，需要对参数设置标准进行确定，具体为：首先设置网格为0.2倍当地分子自由程，时间步长为0.1倍当地分子碰撞时间，壁面网格180，子网格2*2，初始网格粒子数200，采样次数10万次以获得准确值作为后续参照，后针对网格和时间步长分别进行无关性验证，得到参数设置标准为，网格为1倍当地分子自由程，时间步长为0.33倍当地分子碰撞时间，热流误差可以控制在0.1％以内，确保后续建立的样本的准确性。5.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的归一化是指：将输入参数用各自范围的最大最小值进行[0,1]的映射，其中努森数先取对数后再进行[0,1]的映射。6.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的高超声速氩气流下的圆柱绕流问题是指：来流气体为氩气，速度大于5马赫，二维圆柱在该条件流场下的相关问题。7.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的宽范围是指：来流努森数kn
∞
范围[0.0072,14.47]，温度比t
w
/t
s
范围[0.012,0.2]，马赫数ma范围[5,20]，其中：t
w
为圆柱壁面温度，t
s
为根据来流温度、马赫数及比热比理论计算得到的驻点温度。8.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的神经网络包括：输入单元、第一隐藏层单元、第二隐藏层单元以及输出单元，其中：输入单元根据确定壁面热流所需最少变量个数的信息，进行无量纲处理，得到需使用3个无量纲参数对高超声速稀薄流下的热流进行预测的结果，第一隐藏层单元和第二
隐藏层单元根据神经网络训练得到的误差信息，进行迭代调整神经元个数处理，得到最终的隐藏层神经元个数选定结果，输出单元根据1/4圆柱壁面重要热流信息分布位置信息，进行均匀布置处理，得到0
°
～80
°
9个热流预测位置结果。9.根据权利要求8所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的输入单元由三个输入层组成，两个隐藏层单元分别由20个神经元和15个神经元组成，输出单元由九个输出层组成，层与层之间采用全连接，即每一个神经元都与下一层的每个神经元连接，每一个连接都对应一个具体的权值，隐藏层的每个神经元以及每个输出都对应一个具体的基础值，权值与基础值即为训练参数，其中训练参数由102个在宽范围内随机选取的点的dsmc模拟结果训练得到，损失函数为均方误差，并利用levenberg
–
marquardt算法进行优化，收敛条件为均方差小于0.001或迭代步数达到2500步。10.根据权利要求1所述的基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，其特征是，所述的圆柱壁面上的多点是指：从驻点开始，以10
°
为步长依次选取共9个点，覆盖范围为0
°
～80
°
。
技术总结一种基于神经网络的高超声速稀薄流下圆柱壁面热流预测方法，在离线阶段通过直接模拟蒙特卡洛算法经过热流无关性验证获得参数设置标准后，使用该标准下的归一化的DSMC模拟样本训练神经网络，在在线阶段针对高超声速氩气流下的圆柱绕流问题，对已知宽范围内的来流努森数、温度比以及马赫数的值，根据神经网络内已有的连接关系及相应的训练参数得到圆柱壁面的多点热流系数值。本发明实现在宽范围稀薄流条件下能够快速且准确的预测高超声速氩气流下的圆柱壁面热流系数，测试集的21个结果表明驻点热流误差在1.5％以内，壁面热流最大误差不超过4.8％，而计算速度近似于理论公式的计算速度。计算速度。计算速度。
技术研发人员：张斌 刘洪 王友进 丁东明
受保护的技术使用者：上海交通大学
技术研发日：2022.08.05
技术公布日：2022/12/1
