基于影响域-安全域的气动热全局快速预示序列采样方法技术

本发明专利技术公开的一种基于影响域

【技术实现步骤摘要】
基于影响域
‑
安全域的气动热全局快速预示序列采样方法


[0001]本专利技术属于航空航天领域，涉及一种基于影响域
‑
安全域的气动热全局快速预示序列采样方法。

技术介绍

[0002]高超声速飞行器在军事领域具有广泛的应用前景。由于高超声速飞行器在大气层中长时间高速飞行，气动加热是无法避免且需要妥善解决的关键技术之一，气动热快速准确预示是高超声速热防护和防隔热设计分析的重要前提。考虑到传统的气动热获取手段如试验研究、工程计算、数值模拟分别存在高成本、低可信度和高耗时的局限性，气动热全局快速预示模型(Rapid Predicting Model，RPM)面向高精度高效率气动热设计的需求，根据采样描述的有限全阶高精度CFD数值计算结果，利用代理模型训练达到覆盖全空域、全速域飞行器气动热环境快速预示的目的。作为RPM的重要组成部分，基于采样技术获取的样本点很大程度决定RPM的预示精度。静态采样一次性获取具有良好填充均匀性和投影均匀性的样本，建模次数少，效率高，但是存在欠采样或过采样的缺陷。为兼顾RPM的精度要求和CFD的计算成本，建立数据驱动的气动热RPM，在静态采样的基础上，根据已有样本的空间分布信息和RPM的物理特征在高度非线性或多模态等欠采样区域新增样本，达到更新RPM以逐步提高气动热预示精度的目的。而为了避免采样资源浪费和计算效率低的缺陷，如何保证新增样本的潜在可行性与最优性，通过尽可能少的样本达到精度要求的RPM是一个十分重要的问题。
[0003]基于模糊聚类的加点方法APSFC是近年来出现的一种具有较强鲁棒性的数据驱动加点方法。基本思想是利用误差追踪机制挑选具有较大误差的数据集进行聚类，并在聚类内部产生新增样本，以提高预示模型的精度，但其存在局部样本冗余大、全局探索能力受限等问题。

技术实现思路

[0004]为了解决高超声速飞行器气动热设计过程中精度和效率相矛盾的问题，本专利技术的主要目的提供一种基于影响域
‑
安全域的气动热全局快速预示序列采样方法，根据预示误差分布特征通过聚类采用超球分割构建采样影响域，兼顾误差聚集与全局探索；通过当地误差加权构建采样安全域，减小新增样本冗余，结合maxmin准则在综合确定的重点采样空间中新增样本，提升采样质量，进而提升高超声速飞行器气动热全局快速预示精度。
[0005]本专利技术的目的通过下述技术方案来实现。
[0006]本专利技术公开的影响域
‑
安全域的高超声速气动热全局快速预示采样方法，包括如下步骤：
[0007]步骤一：确定初始条件和迭代终止条件。
[0008]确定n
v
维设计变量、设计空间Ω、测试样本数n
t
、初始训练样本数每轮新增样本数n
add
、波动系数μ和迭代终止条件。所述迭代终止条件包括预期误差阈值终止样本
数阈值n
est
。
[0009]步骤二：获取初始训练样本和测试样本及对应响应，初始化样本数据库。
[0010]基于最优拉丁超立方试验设计方法在设计空间生成无偏初始训练样本x和测试样本x
t
，调用高精度CFD模型计算对应的真实响应y和y
t
，初始化样本数据库。
[0011]步骤三：构建气动热快速预示模型RPM并进行模型精度校验。
[0012]利用训练样本集构建高超声速气动热RPM，利用测试样本集进行RPM精度校验。根据精度校验结果判断是否满足步骤一预设的迭代终止条件，即预期误差或当前训练样本数n
s
>n
est
，则算法终止，否则进行步骤四。
[0013]步骤四：获取训练样本的预示误差分布特征。
[0014]利用交叉验证法获取所有样本的交叉验证误差即得到训练样本的预示误差分布特征，并将大于交叉验证误差平均值的样本集X
large
挑选出来，用于步骤五中聚类分析，能够有效评估设计空间中误差较大的区域。所述交叉验证法包括LOO和k
‑
fold两种。
[0015]步骤五：根据步骤四预示误差分布特征通过聚类采用超球分割构建采样影响域，实现误差聚集与全局探索。
[0016]所述聚类分析方法包括k
‑
means聚类、模糊c
‑
均值聚类FCM。为了获取每个数据点对所有类中心的隶属度进而实现对样本的自动分类，作为优选，聚类分析方法选用FCM，步骤五具体实现方法如下：
[0017]采用依次增大聚类数，通过寻找最大轮廓系数对应的聚类数来预先确定FCM的最佳聚类个数n
c
，以实现无监督学习。轮廓系数定义为
[0018][0019]其中，a(i)为第i个样本x
i
与其所在簇内其它样本的平均距离，代表了簇内凝聚度；b(i)为样本x
i
与其他每个簇样本的平均距离的最小值，代表了簇间分离度。轮廓系数满足
‑
1≤S≤1，取值越接近1说明聚类效果越好，反之越接近
‑
1说明聚类效果越差。
[0020]利用上述获取的最佳聚类个数n
c
对X
large
进行聚类，每个数据点对所有类中心的整体差异表示为
[0021][0022]其中，U＝[u
ij
](i＝1,2,
…
,n
c
；j＝1,2,
…
,n
s
)为隶属矩阵,u
ij
表示第j个样本x
j
在第i个聚类的隶属度；为聚类中心；d为影响隶属度矩阵模糊化程度的指数权重，取d＝2。求解式(2)中的极小值问题，即可得到聚类中心和隶属矩阵U
*
，并根据隶属矩阵U
*
获取每个聚类的所属样本实现误差聚集，进而得到每个聚类的影响域影响域定义为超球体，能够有效实现设计空间的全局探索，如果有多个样本，定义超球体影响域的影响半径为聚类中心到该聚类所有样本距离的最大值，超球体影响域表示为
[0023][0024]如果只有一个样本点，定义超球体影响域为以样本安全半径r为半区间宽度的超立方体的外接超球体，表示为
[0025][0026]步骤六：根据步骤四获取的交叉验证误差，引入误差权重系数，在大于平均误差样本的聚集区域增加更多的样本，提高其采样密度。
[0027]所述误差权重系数包括样本的误差权重系数和聚类的误差权重系数两类，通过引入误差权重系数，提高设计空间中误差较大区域的采样密度。λ
j
(1≤j≤n
s
)为样本x
j
的误差权重系数，为第i个聚类的误差权重系数，分别定义为
[0028][0029][0030]其中，为的中位数，为在区间[1,μ]的归一化误差，表示为
[0031][0032]其中，μ为波动系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于影响域
‑
安全域的高超声速气动热全局快速预示采样方法，其特征在于：包括如下步骤，步骤一：确定初始条件和迭代终止条件；确定n
v
维设计变量、设计空间Ω、测试样本数n
t
、初始训练样本数每轮新增样本数n
add
、波动系数μ和迭代终止条件；所述迭代终止条件包括预期误差阈值终止样本数阈值n
est
；步骤二：获取初始训练样本和测试样本及对应响应，初始化样本数据库；步骤三：构建气动热快速预示模型RPM并进行模型精度校验；步骤四：获取训练样本的预示误差分布特征；步骤五：根据步骤四预示误差分布特征通过聚类采用超球分割构建采样影响域，实现误差聚集与全局探索；步骤六：根据步骤四获取的交叉验证误差，引入误差权重系数，在大于平均误差样本的聚集区域增加更多的样本，提高其采样密度；步骤七：根据步骤六的误差权重系数构建采样安全域，减小新增样本冗余；步骤八：根据步骤五获取的影响域和步骤七的安全域，构建新的气动热高精度样本设计域，利用接受
‑
拒绝采样从若干随机样本中获取候选样本；根据步骤六的误差权重系数结合maxmin准则从候选样本中获取新增样本，提升采样质量，进而提升高超声速飞行器气动热全局快速预示精度。2.如权利要求1所述的影响域
‑
安全域的高超声速气动热全局快速预示采样方法，其特征在于：步骤二实现方法为，基于最优拉丁超立方试验设计方法在设计空间生成无偏初始训练样本x和测试样本x
t
，调用高精度CFD模型计算对应的真实响应y和y
t
，初始化样本数据库。3.如权利要求2所述的影响域
‑
安全域的高超声速气动热全局快速预示采样方法，其特征在于：步骤三实现方法为，利用训练样本集构建高超声速气动热RPM，利用测试样本集进行RPM精度校验；根据精度校验结果判断是否满足步骤一预设的迭代终止条件，即预期误差或当前训练样本数n
s
>n
est
，则算法终止，否则进行步骤四。4.如权利要求3所述的影响域
‑
安全域的高超声速气动热全局快速预示采样方法，其特征在于：步骤四实现方法为，利用交叉验证法获取所有样本的交叉验证误差即得到训练样本的预示误差分布特征，并将大于交叉验证误差平均值的样本集X
large
挑选出来，用于步骤五中聚类分析，能够有效评估设计空间中误差较大的区域。5.如权利要求4所述的影响域
‑
安全域的高超声速气动热全局快速预示采样方法，其特征在于：为了获取每个数据点对所有类中心的隶属度进而实现对样本的自动分类，聚类分析方法选用FCM，步骤五具体实现方法如下，采用依次增大聚类数，通过寻找最大轮廓系数对应的聚类数来预先确定FCM的最佳聚类个数n
c
，以实现无监督学习；轮廓系数定义为
其中，a(i)为第i个样本x
i
与其所在簇内其它样本的平均距离，代表了簇内凝聚度；b(i)为样本x
i
与其他每个簇样本的平均距离的最小值，代表了簇间分离度；轮廓系数满足
‑
1≤S≤1，取值越接近1说明聚类效果越好，反之越接近
‑
1说明聚类效果越差；利用上述获取的最佳聚类个数n
c
对X
large
进行聚类，每个数据点对所有类中心的整体差异表示...

【专利技术属性】
技术研发人员：岳振江，杨国涛，刘莉，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：