【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CO ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。