一种基于深度学习的方舱红外特性仿真快速算法制造技术

一种基于深度学习的方舱红外特性仿真快速算法，包括以下步骤：建立方舱温度分布计算模型；读入模型温度场分布，计算模型表面自身红外辐射强度；读入方舱表面接收的太阳辐射强度、地面背景辐射和天空背景辐射，计算模型表面的反射辐射；得到方舱表面的总辐射量与环境参数的关联数据库；将环境参数作为输入，方舱辐射分布场作为输出训练卷积神经网络模型，得到基于深度学习的方舱红外特性仿真快速算法。本发明专利技术通过深度学习训练出模型，得到了无数个案例库，输入不同的参数，即可调出数据库结果，同时输入新的参数后，神经网络又可以训练出新的结果，以此循环往复，使其具有快速计算的能力、受参数影响较小的能力，以及得到更精确的计算结果。计算结果。计算结果。

【技术实现步骤摘要】
一种基于深度学习的方舱红外特性仿真快速算法


[0001]本专利技术涉及一种红外仿真
，更具体地说，涉及一种基于深度学习的方舱红外特性仿真快速算法。

技术介绍

[0002]随着计算机技术的发展，红外仿真技术被广泛应用于不同领域。由于实际情况和资金的关系，不可能在真实的环境中进行测试，而是利用计算机技术进行红外仿真模拟，可为红外系统仿真提供物理特性和数学模型。由于方舱在不同的环境会发生一系列不同机理的传热和传质过程，不同方舱在不同时间点和不同的天气等条件下，使得对方舱温度分布以及方舱红外辐射特性的影响因素有很多。
[0003]方舱的红外辐射特征计算分析涉及很多的应用情形，我国的红外辐射特性研究工作主要针对飞机、坦克、舰船、地物和海洋背景等。红外辐射特性研究的主要方法有两种：一是根据实验测量结果建立辐射经验模型，既费时又费力；二是通过分析目标和环境的物理模型进行理论建模研究，但难以获得精确的结果。
[0004]现有方舱红外仿真存在很多缺陷，包括：影响参数多，如：气象条件、方舱的尺寸、结构特性、材料特性、内部因素及外部环境因素等影响；计算占有资源大，需要有足够大的工作站来支持；计算耗费时间长，计算结果时间长达几天或一个月不等；且严重依赖于工程师的经验。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种以解决现有技术中存在的影响参数多、计算占有资源大、计算消耗时间长和计算结果不准确等技术问题的基于深度学习的方舱红外特性仿真快速算法，具体方案如下：
>[0006]本专利技术是一种基于深度学习的方舱红外特性仿真快速算法，其特点是：包括如下步骤：
[0007]步骤1、建立方舱温度分布计算模型；
[0008]步骤2、读入模型温度场分布，计算模型表面自身红外辐射强度；
[0009]步骤3、读入方舱表面接收的太阳辐射强度、地面背景辐射和天空背景辐射，计算模型表面的反射辐射，得到方舱表面的总辐射量与环境参数的关联数据库；
[0010]步骤4、建立红外辐射模型，包括以下步骤：
[0011]步骤A、建立方舱几何模型；
[0012]步骤B、提取温度场、辐射场和监测点的仿真数据；
[0013]步骤C、通过深度学习建立方舱辐射分布场与外界环境模型；
[0014]步骤D、将环境参数作为输入，方舱辐射分布场作为输出训练卷积神经网络模型，得到基于深度学习的方舱红外特性仿真快速算法。
[0015]本专利技术一种基于深度学习的方舱红外特性仿真快速算法技术方案中，进一步优选
的技术方案特征是：
[0016]1、所述方舱几何模型的建立按以下步骤进行：
[0017]根据所选方舱数据，建立方舱的三维几何模型；
[0018]为方舱三维几何模型设置一定的外部条件和环境参数，构成红外仿真计算域。
[0019]2、采用仿真技术对模型进行全时段、多种环境背景仿真，并建立仿真数据库，具体按以下步骤进行：
[0020]将方舱外部环境的风速、温度、时间分为N个组别，根据太阳辐射度和大气辐照度分为M种天气情况，得到N*M个参数组成的不同工况；
[0021]采用仿真技术方法，计算出方舱在不同工况中的温度场显示与红外辐射显示，建立方舱红外仿真数据库。
[0022]3、所述仿真技术包括流固体传热、辐射传热和计算流体动力学仿真技术。
[0023]4、根据提取温度场、辐射场和监测点的仿真数据，通过深度学习建立方舱红外辐射场分布与外界环境模型，具体按以下步骤进行：
[0024]a.将环境参数包括环境温度、太阳辐照度、环境风速；材料参数包括：地面材料密度、地面材料导热率、地面材料恒压热容；将监测点与方舱模型的相对笛卡尔坐标定义为仿真数据的输入数据，将方舱表面温度分布、红外辐射分布、监测点温度定义为仿真数据的目标函数；
[0025]b.多次以同样比例划分训练集和测试集；
[0026]c.定义卷积神经网络参数、损失函数、激活函数、池化层；
[0027]d.将训练集带入卷积神经网络，采用线性修正单元函数优化卷积神经网络计算的准确率；
[0028]e.将测试集带入优化后的卷积神经网络，计算损失函数；
[0029]f.修改卷积神经网络的卷积层数和每层的神经元个数，修改池化层的池化方法和参数，重复d和e，使损失函数值为最小。
[0030]与现有技术相比，本专利技术的有益效果为：
[0031]1.针对地面方舱红外辐射场建立三维计算模型，采用多物理场耦合仿真对方舱目标模型及其周边环境进行数值仿真，得到关于该计算域的温度场和红外辐射场数据库；根据仿真数据库中的仿真数据矩阵，采用卷积神经网络通过机器学习的方法，可以构造地面方舱目标外部环境参数及边界条件之间关于多个物理参数(集)的映射关系。得到瞬态红外辐射场分布的数据预测模型。充分利用了计算流体力学和热力学技术对三维复杂多物理场环境参数的精确计算能力、机器学习算法对高维数据矩阵的重构能力。
[0032]2.使用该模型计算方舱的红外辐射场分布，相比于传统计算方法，通过数据驱动，无需模型概化，具有更精细的参数计算能力、更直观的数据可视化方法和计算时间更加的快速。
[0033]3.当计算模型根据实测点数据生成待计算的温度场和红外辐射场数据时，是直接调用数据库中已有的环境参数和红外辐射场仿真数据，根据已有的仿真数据来构造红外特性仿真快速计算模型，将待预测红外辐射场的仿真数据作为预测数据，不需要对仿真数据进行实时计算，能够充分挖掘历史数据，大幅度减少了计算硬件和时间成本，整个仿真快速算法具有很高的效率。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要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他的附图。
[0035]图1为本专利技术不同监测点：方舱左舱与方舱右舱，两个监测点的温度变化对比曲线图。
具体实施方式
[0036]下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]实施例1，一种基于深度学习的方舱红外特性仿真快速算法，包括如下步骤：
[0038]步骤1、建立方舱温度分布计算模型；
[0039]步骤2、读入模型温度场分布，计算模型表面自身红外辐射强度；
[0040]步骤3、读入方舱表面接收的太阳辐射强度、地面背景辐射和天空背景辐射，计算模型表面的反射辐射，得到方舱表面的总辐射量与环境参数的关联数据库；
[0041]步骤4、建立红外辐射模型，包括以下步骤：
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的方舱红外特性仿真快速算法，其特征在于，包括如下步骤：步骤1、建立方舱温度分布计算模型；步骤2、读入模型温度场分布，计算模型表面自身红外辐射强度；步骤3、读入方舱表面接收的太阳辐射强度、地面背景辐射和天空背景辐射，计算模型表面的反射辐射，得到方舱表面的总辐射量与环境参数的关联数据库；步骤4、建立红外辐射模型，包括以下步骤：步骤A、建立方舱几何模型；步骤B、提取温度场、辐射场和监测点的仿真数据；步骤C、通过深度学习建立方舱辐射分布场与外界环境模型；步骤D、将环境参数作为输入，方舱辐射分布场作为输出训练卷积神经网络模型，得到基于深度学习的方舱红外特性仿真快速算法。2.根据权利要求1所述的基于深度学习的方舱红外特性仿真快速算法，其特征在于：所述方舱几何模型的建立按以下步骤进行：根据所选方舱数据，建立方舱的三维几何模型；为方舱三维几何模型设置一定的外部条件和环境参数，构成红外仿真计算域。3.根据权利要求1所述的基于深度学习的方舱红外特性仿真快速算法，其特征在于：采用仿真技术对模型进行全时段、多种环境背景仿真，并建立仿真数据库，具体按以下步骤进行：将方舱外部环境的风速、温度、时间分为N个组别，根据太阳辐射度和大气辐照度分为M...

【专利技术属性】
技术研发人员：刘君，江召兵，贾其，渠立永，任智源，纪小方，
申请(专利权)人：南京欧帕提亚信息科技有限公司，
类型：发明
国别省市：