用于风洞实验的机翼全息压力系数的重构方法及装置制造方法及图纸

本发明专利技术实施例公开了一种用于风洞实验的机翼全息压力系数的重构方法及装置，涉及风洞实验传感器布点技术，能够依靠风洞实验的真实数据就可以重构出合理的全息数据，减少计算量且提高风洞实验数据的利用率。本发明专利技术包括：接收客户端发送的风洞实验原始数据、工况条件参数和精细度预期信息；利用所述风洞实验原始数据构建训练样本数据库；利用所述样本数据库训练深度学习模型；构建对应了精细度预期的全息网格节点排布；利用训练后的深度学习模型和所述全息网格节点排布，对机翼全息压力系数进行重构处理，并将处理结果向所述客户端发送。并将处理结果向所述客户端发送。并将处理结果向所述客户端发送。

【技术实现步骤摘要】
用于风洞实验的机翼全息压力系数的重构方法及装置


[0001]本专利技术涉及风洞实验传感器布点技术，尤其涉及一种用于风洞实验的机翼全息压力系数的重构方法及装置。

技术介绍

[0002]机翼表面压力系数的分布是机翼气动性能的重要表征，对飞行器设计起着至关重要的作用。风洞实验辅助的计算流体力学(CFD)是获取全息压力系数的主流方法。首先，在机翼表面特定位置放置有限的传感器来采集风洞实验中相应的气动性能物理量，所述物理量通常被认定为真实值；然后在相同的工况条件下进行基于CFD的分析计算来获取全息数据；最后使用风洞实验采集到的真实值对CFD分析计算的结果进行准确性校正，以确保所述仿真结果的有效性。这种操作方式已经广泛应用在各大科研院校、科技企业的实验室研究和产品验证过程。
[0003]但是，高质量的CFD分析计算需要消耗大量的计算资源且对于计算人员的要求较高，目前已经严重拖累了实验周期和产品的验证周期。因此，如何减少对CFD仿真计算的依赖成为了进一步研究并解决的问题。

技术实现思路

[0004]本专利技术的实施例提供一种用于风洞实验的机翼全息压力系数的重构方法及装置，依靠风洞实验的真实数据就可以重构出合理的全息数据，减少计算量且提高风洞实验数据的利用率。
[0005]为达到上述目的，本专利技术的实施例采用如下技术方案：
[0006]第一方面，本专利技术的实施例提供的方法，包括：
[0007]S1、接收客户端发送的风洞实验原始数据、工况条件参数和精细度预期信息；
[0008]S2、利用所述风洞实验原始数据构建训练样本数据库；
[0009]S3、利用所述样本数据库训练深度学习模型；
[0010]S4、构建对应了精细度预期的全息网格节点排布；
[0011]S5、利用训练后的深度学习模型和所述全息网格节点排布，对机翼全息压力系数进行重构处理，并将处理结果向所述客户端发送。
[0012]第二方面，本专利技术的实施例提供的装置，包括：
[0013]数据接收模块，用于接收客户端发送的风洞实验原始数据、工况条件参数和精细度预期信息；
[0014]样本处理模块，用于利用所述风洞实验原始数据构建训练样本数据库；
[0015]训练模块，用于利用所述样本数据库训练深度学习模型；
[0016]网格调整模块，用于构建对应了精细度预期的全息网格节点排布；
[0017]数据处理模块，用于利用训练后的深度学习模型和所述全息网格节点排布，对机翼全息压力系数进行重构处理；
[0018]数据发送模块，用于将处理结果向所述客户端发送。
[0019]本专利技术实施例提供的用于风洞实验的机翼全息压力系数的重构方法及装置，使用客户端提供的风洞实验原始数据和重构全息压力系数精细度预期值，在服务器端进行机翼全息压力系数的建模分析，先获取风洞实验的原始数据，使用原始数据依照适用于深度学习训练的网格排布构建样本数据库，训练深度学习模型，根据客户端的精细度预期值构建适用于全息压力系数重建的网格节点排布，利用训练好的模型重构机翼全息压力系数，最终将满足精细度要求的机翼全息压力系数返回客户端以供选择。本方案不需要使用耗费计算资源的CFD仿真来获取全息数据，仅依靠风洞实验的真实数据就可以重构出合理的全息数据，减少计算量且提高风洞实验数据的利用率。
附图说明
[0020]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0021]图1为本专利技术实施例提供的硬件环境的示意图；
[0022]图2为本专利技术实施例提供的方法流程图；
[0023]图3风洞实验原始网格的示意图；
[0024]图4深度学习模型结构的示意图；
[0025]图5用于机翼全息压力系数重构的方法框架的示意图；
[0026]图6为本专利技术实施例提供的装置结构示意图。
具体实施方式
[0027]为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。下文中将详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0028]本专利技术实施例提供一种种于风洞实验的机翼全息压力系数的重构方法，该方法可
以应用于如图1所示的硬件系统中，该方法如图2所示，包括：
[0029]S1、接收客户端发送的风洞实验原始数据、工况条件参数和精细度预期信息。
[0030]S2、利用所述风洞实验原始数据构建训练样本数据库。其中，根据适用于深度学习模型训练的网格节点排布方式组织风洞原始数据，进而构建训练样本数据库。
[0031]S3、利用所述样本数据库训练深度学习模型。
[0032]S4、构建对应了精细度预期的全息网格节点排布。其中，根据精细度预期值构建适用于全息压力系数重建的全息网格节点排布。
[0033]S5、利用训练后的深度学习模型和所述全息网格节点排布，对机翼全息压力系数进行重构处理，并将处理结果向所述客户端发送。
[0034]本实施例中，还包括：所述客户端通过布置在机翼模型表面的指定位置上的传感器，采集所述机翼模型表面的压力系数。其中，所述指定位置为风洞实验中传统的传感器排布位置，如图3所示的。和，所述客户端获取精细度预期信息，所述精细度预期信息包括：全息压力系数重建的全息网格节点数量。
[0035]具体的，风洞实验原始数据具体是指：在某一工况条件下的风洞吹风实验中，通过布置在机翼模型表面多个位置上的传感器采集到压力系数，对于每一个传感器而言，其原始属性数据形式为(x,y,z,M,α,β,C
...

【技术保护点】

【技术特征摘要】
1.一种于风洞实验的机翼全息压力系数的重构方法，其特征在于，包括：S1、接收客户端发送的风洞实验原始数据、工况条件参数和精细度预期信息；S2、利用所述风洞实验原始数据构建训练样本数据库；S3、利用所述样本数据库训练深度学习模型；S4、构建对应了精细度预期的全息网格节点排布；S5、利用训练后的深度学习模型和所述全息网格节点排布，对机翼全息压力系数进行重构处理，并将处理结果向所述客户端发送。2.根据权利要求1所述的方法，其特征在于，还包括：所述客户端通过布置在机翼模型表面的指定位置上的传感器，采集所述机翼模型表面的压力系数；和，所述客户端获取精细度预期信息，所述精细度预期信息包括：全息压力系数重建的全息网格节点数量。3.根据权利要求2所述的方法，其特征在于，在机翼模型表面的指定位置布置传感器的方式，包括：从靠近机身端到翼尖间隔地选择截面，并分别在所选择的截面上间隔排布传感器，其中，所选择的截面不少于5个；并且在每个截面中，前沿和后沿的传感器的上的密集大于截面中的其它位置。4.根据权利要求3所述的方法，其特征在于，在每个截面中都排布有25个传感器，其中，编号1至编号13的传感器位于下翼面，编号14至编号25的传感器位于上翼面。5.根据权利要求2
‑
4中任意一项所述的方法，其特征在于，在利用所述风洞实验原始数据构建训练样本数据库的过程中，包括：获取布置在机翼模型表面的各个传感器的空间坐标和压力系数值和工况条件参数，并作为传感器原始数据；将每个截面上的传感器的划分为网格中有序的子序列，其中，以每个节点为首向后取至少4个节点，组成长度至少为5的子序列。6.根据权利要求2所述的方法，其特征在于，所述利...

【专利技术属性】
技术研发人员：刘学军，瞿锡垚，吕宏强，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：