基于卷积神经网络的气动热预测方法

作     者：袁佳铖 宗文刚 曾磊 李强 张昊元 蔺佳哲 YUAN Jiacheng;ZONG Wengang;ZENG Lei;LI Qiang;ZHANG Haoyuan;LIN Jiazhe

作者机构：四川大学化学工程学院成都610065 中国空气动力研究与发展中心绵阳621000 

出 版 物：《空气动力学学报》 (Acta Aerodynamica Sinica)

年 卷 期：2024年第42卷第1期

页      面：13-25,I0001页

核心收录：

学科分类：080103[工学-流体力学] 08[工学] 080104[工学-工程力学] 0801[工学-力学（可授工学、理学学位）] 

基　　金：国家重点研发计划资助项目(2019YFA0405202) 

主　　题：卷积神经网络 数据驱动 气动热 计算流体力学 高超声速 

摘      要：严重的气动加热现象会威胁飞行器的飞行安全,因此在飞行器设计期间需要对其气动热环境进行预测以辅助热防护设计,气动热的预测速度直接影响了飞行器的设计效率。为了探索气动热的快速预测方法以缩短高超声速飞行器的设计周期,本文基于卷积神经网络建立了数据驱动的气动热预测模型。首先,为了实现不同外形飞行器的表面热流预测,提出了一种能够用于卷积神经网络的三维外形几何表达方法。然后,基于该方法分别采用编码器-解码器架构和U-Net架构建立了两种神经网络模型,实现了气动热的快速预测。最后,选取钝锥、钝双锥、升力体和双椭球4类高超声速飞行器典型外形作为研究对象,采用CFD数值模拟方法构建了气动热数据集,在不同的气动热数据集上对建立的模型进行了训练和测试。计算验证结果表明,两种模型针对简单外形预测精度良好,但当外形变复杂时,U-Net模型对外形的感知能力更强,具有更高的预测精度。与其他数据驱动的方法相比,U-Net模型具有更强的学习能力,能够在较少的训练样本下达到相对较高的预测精度。另一方面,由于该方法采用了大量卷积神经网络结构,因此具有更高的建模效率。