一种基于AI-CFD的高超声速气动热环境智能快速预测方法技术

本发明专利技术公开了一种基于AI

【技术实现步骤摘要】
一种基于AI
‑
CFD的高超声速气动热环境智能快速预测方法


[0001]本专利技术属于人工智能和计算流体力学交叉领域，具体涉及一种基于AI
‑
CFD的高超声速气动热环境智能快速预测方法。

技术介绍

[0002]目前，高超声速气动热研究主要包括工程估算、实验测量和数值计算。高超声速问题的工程估计精度不高，而实验测量，例如风洞测试，虽然更准确，但测试成本昂贵。计算流体动力学(Computational Fluid Dynamics,CFD)是一门重要的数值计算交叉学科，涉及数学、流体力学和计算机科学，兼顾精度和成本。通过CFD可以数值求解质量守恒、动量守恒和能量守恒的控制方程。它是研究空气动力学和传热传质的有效工具。然而，传统的CFD方法通常耗时较长，因此在缩短计算时间方面取得突破具有重要意义。为了加速和优化CFD方法，国内外的许多学者做了许多尝试。
[0003]近年来，越来越多的研究者开始关注人工智能(AI)算法，并将其应用于CFD领域。 Chen等利用遗传算法(GA)计算了气动模型的阻力系数和升力系数。Zhang等利用多尺度高斯进展(GP)回归计算湍流模型的雷诺平均Navier
‑
Stokes(RANS)乘积参数。Roshani和 Feghhi利用多层感知器(MLP)计算了比流量的油水比Khosravi和Malekan利用多层前馈神经网络(MLFNN)计算导热系数。Khazaei等人利用Levenberg
‑
Marquart神经网络对CO2浓度进行了研究。人工智能的流行有很多原因，比如硬件的改进，每年产生的海量数据，精确度接近CFD。由于人工智能算法的优势，已成为解决CFD问题的有效工具，并受到越来越多的关注。然而，上述国内外学者都是简单考虑了低雷诺数下的流场的变化情况，并不适用于高超声速(高雷诺数)情况下的流场、温度场以及空气组分浓度变化的预测。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种高超声速气动热环境智能快速预测方法，该方法基于人工神经网络的思想提出，其预测速度更快，并且计算精度不低于数值计算；其中基于卷积神经网络(CNN)的深度学习模型，可以通过改变模型结构快速得到不同仿真结果的映射库；基于径向基神经网络(RBFNN)的机器学习模型，可以通过改变物性参数快速得到不同仿真结果的映射库。本专利技术采用以下技术方案：
[0005]一种基于AI
‑
CFD的高超声速气动热环境智能快速预测方法，包括如下步骤：
[0006]S1：将高超声速钝头体的几何模型文件及云图文件导入CFD数值模拟软件数据库，搭建python环境；
[0007]S2：对CFD数值模拟软件数据库中高超声速钝头体的几何模型文件进行处理，得到二值化数据；
[0008]S3：对二值化数据进行处理，得到有向距离场数据；
[0009]S4：对二值化数据进行处理，得到流区通道数据；
[0010]S5：对CFD数值模拟软件数据库中高超声速钝头体的云图文件进行处理，得到云图
文件对应的云图网格状拓扑结构数据；
[0011]S6：将有向距离场、流区通道和云图网格状拓扑结构数据作为CNN训练的输入，采用CNN耦合U
‑
net图像分割结构的方式进行训练，利用训练完成的CNN模型预测高超声速气动热环境下钝头体表面的的流场、温度场、速度场和气相浓度分布场；通过调研得到不同海拔下的物理边界条件参数，加上云图网格状拓扑结构数据作为RBFNN训练的输入，利用训练完成的RBFNN模型预测高超声速气动热环境下钝头体表面的的流场、温度场、速度场和气相浓度分布场。
[0012]进一步，所述步骤S2包括以下子步骤：
[0013]2.1，在python程序中，调用计算所需的python包，包括：cv2，numpy，matplotlib， pandas；
[0014]2.2，使用函数cv2.imread()读取输入的图像信息，使用函数 cv2.cvtColor(*,cv2.COLOR_BGR2GRAY)求解每个输入图像的二值化数据；
[0015]2.3，使用pandas数据包中函数df.to_csv()输出二值化数据。
[0016]进一步，所述步骤S3包括以下子步骤：
[0017]3.1，对步骤S2中二值化数据使用函数cv2.distanceTransform()，获得距离场数据；
[0018]3.2，定义一个整体循环，遍历距离场数据，将距离场数据中钝头体内部的数据点值改成对应的负值，从而将距离场数据变成有向距离场数据；
[0019]3.3，使用pandas数据包里的函数df.to_csv()，输出有向距离场数据。
[0020]进一步，所述步骤S4包括以下子步骤：
[0021]4.1，定义一个整体循环，遍历步骤S2中的二值化数据，将二值化数据中钝头体内部的数据点值改成0，钝头体周围的流场数据点值改成1，无滑移壁面数据点值改成2，入口面数据点值改成3，出口面数据点值改成4；
[0022]4.2，使用pandas数据包里的函数df.to_csv()，输出流区通道数据。
[0023]进一步，所述步骤S5包括以下子步骤：
[0024]5.1，在python程序中，调用计算所需的python包，包括：cv2,numpy,matplotlib, pandas；
[0025]5.2，使用cv2.imread()读取云图数据，其中云图每个数据点的颜色有其固定的RGB值和物理数值；
[0026]5.3，使用.item(x,y,n)获取云图在(x,y)坐标处的第n通道值，n＝0是R值，n＝1是G值， n＝2是B值；
[0027]5.4，读取完云图RGB通道值后，查询RGB值与具体物理数值的映射关系，反推出云图各数据点的值，得到云图文件对应的云图网格状拓扑结构数据；
[0028]5.5，使用pandas数据包输出云图网格状拓扑结构数据对应的csv文件。
[0029]进一步，所述步骤S6，所述CNN训练及预测包括以下子步骤：
[0030]6.1，在python程序中，调用计算所需的python包，包括：numpy,matplotlib,pickle, pandas；
[0031]6.2，利用numpy包中的函数np.stack()和np.expand_dims()将步骤S3～S5中输出的csv格式的有向距离场数据、流区通道数据和云图网格状拓扑结构数据转化为整合的
数据组，利用pkl.dump()输出格式为.pkl的文件；
[0032]6.3，得到.pkl格式的整合文件后进行CNN训练，调用计算所需的python包，包括： torch,pickle,panda,os,json，利用pickle.load加载数据，利用split_tensors()划分数据集和测试集，利用torc本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI
‑
CFD的高超声速气动热环境智能快速预测方法，其特征在于，包括如下步骤：S1：将高超声速钝头体的几何模型文件及云图文件导入CFD数值模拟软件数据库，搭建python环境；S2：对CFD数值模拟软件数据库中高超声速钝头体的几何模型文件进行处理，得到二值化数据；S3：对二值化数据进行处理，得到有向距离场数据；S4：对二值化数据进行处理，得到流区通道数据；S5：对CFD数值模拟软件数据库中高超声速钝头体的云图文件进行处理，得到云图文件对应的云图网格状拓扑结构数据；S6：将有向距离场、流区通道和云图网格状拓扑结构数据作为CNN训练的输入，采用CNN耦合U
‑
net图像分割结构的方式进行训练，利用训练完成的CNN模型预测高超声速气动热环境下钝头体表面的流场、温度场、速度场和气相浓度分布场；通过调研得到不同海拔下的物理边界条件参数，加上云图网格状拓扑结构数据作为RBFNN训练的输入，利用训练完成的RBFNN模型预测高超声速气动热环境下钝头体表面的的流场、温度场、速度场和气相浓度分布场。2.如权利要求1所述的基于AI
‑
CFD的高超声速气动热环境智能快速预测方法，其特征在于，所述步骤S2包括以下子步骤：2.1，在python程序中，调用计算所需的python包，包括：cv2，numpy，matplotlib，pandas；2.2，使用函数cv2.imread()读取输入的图像信息，使用函数cv2.cvtColor(*,cv2.COLOR_BGR2GRAY)求解每个输入图像的二值化数据；2.3，使用pandas数据包中函数df.to_csv()输出二值化数据。3.如权利要求2所述的基于AI
‑
CFD的高超声速气动热环境智能快速预测方法，其特征在于，所述步骤S3包括以下子步骤：3.1，对步骤S2中二值化数据使用函数cv2.distanceTransform()，获得距离场数据；3.2，定义一个整体循环，遍历距离场数据，将距离场数据中钝头体内部的数据点值改成对应的负值，从而将距离场数据变成有向距离场数据；3.3，使用pandas数据包里的函数df.to_csv()，输出有向距离场数据。4.如权利要求3所述的基于AI
‑
CFD的高超声速气动热环境智能快速预测方法，其特征在于，所述步骤S4包括以下子步骤：4.1，定义一个整体循环，遍历步骤S2中的二值化数据，将二值化数据中钝头体内部的数据点值改成0，钝头体周围的流场数据点值改成1，无滑移壁面数据点值改成2，入口面数据点值改成3，出口面数据点值改成4；4.2，使用pandas数据包里的...

【专利技术属性】
技术研发人员：王正坤，赵瑾，叶致凡，孙向春，李志辉，文东升，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：