(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211119244.2 (22)申请日 2022.09.13 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 钟家祥　屈峰　孙迪　王梓瑞　 田洁华　白俊强　 (74)专利代理 机构 西安匠星互智知识产权代理 有限公司 612 91 专利代理师 陈星 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01) G06F 30/23(2020.01) G06F 111/10(2020.01) G06F 113/08(2020.01)G06F 119/14(2020.01) (54)发明名称 一种基于深度学习的高超声速进气道流场 快速预测方法 (57)摘要 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。 权利要求书1页 说明书6页 附图4页 CN 115470726 A 2022.12.13 CN 115470726 A 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4.3×10‑7m， 在巡航工况下 网格雷诺数ReΔ＝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S ST湍流模型， 通 量格式采用roe格式， 通 量限制器使用mi nmod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。权　利　要　求　书 1/1 页 2 CN 115470726 A 2一种基于深度学习的高超声速进气道流场快速预测方 法 技术领域 [0001]本发明涉及计算流体力学领域和人工智能领域， 具体是一种基于深度学习的高超 声速进气道流场快速预测方法。 背景技术 [0002]超燃冲压发动机是吸气式高超声速飞行器的主要动力装置， 为飞行器在高马赫数 下的稳定飞行提供动力支持， 其中高超声速进气道是超燃冲压发动机重要的气动部件， 其 能否顺利起动决定着超燃冲压发动机能否高效、 安全、 稳定工作。 然而， 进气道面临的工作 环境十分 复杂， 工况的变化可能会导致其不起动， 进而导致燃烧时无法正常工作， 甚至会对 发动机和进气道的结构造成破坏。 因此， 对进气道流场的快速预测和对进气道状态的准确 判断很重要。 [0003]在流体力学领域， 获取流场的常规手段中， 计算流体力学(CFD)占主导地位。 然而， 高超声速进气道流场复杂， 存在大量波系结构， 在高超声速进气道起动/不起动预警方面需 要快速， 准确地 获取流场， 但是传统的CFD方法受到算法和网格量的 限制而无法兼顾计算效 率与流场求解精度。 并且在重复进行CFD计算的过程中， 忽略了流场自身的特性， 进行了大 量的重复性计算， 在一定程度上 再次降低了计算效率。 [0004]近年来深度学习的出现和发展， 为进气道流场预测提供了一种新的思路和方法。 深度学习对高阶复杂函数具有强大 的学习能力， 在特征提取方面具独特优势， 可以进行快 速、 准确预测工作。 目前基于深度学习方法进行流场预测的研究， 主要基于速度场或结合速 度场与进气道几何参数建立输入参数进行流场预测， 难于应用于实际构型当中 发明内容 [0005]为解决现有技术存在的问题， 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， 是一种可行且具有广泛应用前景的新思路。 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。 [0006]本发明的技 术方案为： [0007]一种基于深度学习的高超声速进气道流场快速预测方法， 包括以下步骤： [0008]步骤1： 生成进气道样本流场数据集； [0009]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； [0010]步骤3： 将训练好的模型用于进气道流场的快速预测。说　明　书 1/6 页 3 CN 115470726 A 3