一种基于壁面传感器的内波预报方法技术

本发明专利技术公开了一种基于壁面传感器的内波预报方法，首先获取内波的密跃层厚度、密度跃层中心所在位置、上下层密度值、波幅、浮力频率等参数；将内波参数带入数值求解器中求解DJL方程，构建内波的初始流场；在Fluent中进行计算设置；在航行体壁面上布置传感器测点并传输数据，在Fluent中将节点上的压力和壁面剪应力上的数据以ASCII数据的形式保存；采用卷积神经网络，将输入的数据转化为双通道图像格式，一个通道储存压力数据，另一个通道储存壁面剪应力数据；将航行体相对波谷的坐标和波幅作为标签；最终对卷积神经网络进行训练，训练完成后实现对内波的预报。本发明专利技术能够实现通过传感器对内孤立波的实时预报，对保证航行体的安全运行有极大的工程应用价值。运行有极大的工程应用价值。运行有极大的工程应用价值。

【技术实现步骤摘要】
一种基于壁面传感器的内波预报方法


[0001]本专利技术属于水下探测
，具体涉及一种内波预报方法。

技术介绍

[0002]内孤立波在海洋中普遍存在，其波幅可达150米，波长绵延数公里，但是在水面上仅能显示出微弱的起伏，不易察觉。当水下航行器遭遇内孤立波时，将在短时间内被拉下或卷起，改变水下航行器的运动轨迹，极易导致水下航行器的“坠毁”，因此给水下航行器的运行带来了严重威胁。
[0003]目前针对内孤立波的预测主要有两种方法，卫星遥感技术和区域观测。利用合成孔径雷达进行内孤立波的预报是目前最常采用的方法，具体的原理如下：内孤立波本身的剪切流场会调制海面波，这会引起海洋表面的辐聚和辐散，从而改变了海面的粗糙度，这在SAR遥感图像中会显示出明暗相间的条纹，因此内波预报的重点就在于如何在图像中识别这些条纹。对于区域观测，常常借助温深仪和各种快速密集取样调查仪器，借助考察船进行定点观测，由于内波的形成与地形、潮汐等有关，因此通过长期观测可以得到该区域内波的产生规律，为内孤立波的预报提出一定的参考。然而，对于上述的两种预报方法，存在着以下的不足：
[0004](1)对于遥感图像预报，由于全球海域面积广阔，很难同时处理海量的图像数据，其次由于拍摄的图像质量很难保证，很多时候明暗条纹并不明显，这对图像处理的方法提出了挑战。
[0005](2)对于区域观测，需要的时间过长，因此投入的财力物力巨大。另外，该方法研究的区域面积有限，只能给出固定位置的内波产生规律。

技术实现思路

[0006]为了克服现有技术的不足，本专利技术提供了一种基于壁面传感器的内波预报方法，首先获取内波的密跃层厚度、密度跃层中心所在位置、上下层密度值、波幅、浮力频率等参数；将内波参数带入数值求解器中求解DJL方程，构建内波的初始流场；在Fluent中进行计算设置；在航行体壁面上布置传感器测点并传输数据，在Fluent 中将节点上的压力和壁面剪应力上的数据以ASCII数据的形式保存；采用卷积神经网络，将输入的数据转化为双通道图像格式，一个通道储存压力数据，另一个通道储存壁面剪应力数据；将航行体相对波谷的坐标和波幅作为标签；最终对卷积神经网络进行训练，训练完成后实现对内波的预报。本专利技术能够实现通过传感器对内孤立波的实时预报，对保证航行体的安全运行有极大的工程应用价值。
[0007]本专利技术解决其技术问题所采用的技术方案包括如下步骤：
[0008]步骤1：获取内波的密跃层厚度、密度跃层中心所在位置、上下层密度值、波幅、浮力频率参数；
[0009]步骤2：将步骤1获得的内波参数带入数值求解器中求解DJL方程，构建内波的初始
流场；
[0010]步骤3：根据设定的计算域通过网格生成软件划分网格；
[0011]步骤4：制作Fluent进程文件；
[0012]步骤5：在Fluent中进行计算设置，包括物理模型的选取、参数的设定；
[0013]步骤6：在航行体壁面上布置传感器测点并传输数据，在Fluent中将节点上的压力和壁面剪应力上的数据以ASCII数据的形式保存；
[0014]步骤7：编写批处理bat文件，在一个算例计算完成后自动进行下一个算例的计算；
[0015]步骤8：将步骤6得到的ASCII数据转化成一个列表，提取出需要位置的参数，转化为二维矩阵；对于多个算例，整合成一个三维张量作为卷积神经网络的输入数据储存；
[0016]步骤9：采用卷积神经网络，将输入的数据转化为双通道图像格式，一个通道储存压力数据，另一个通道储存壁面剪应力数据；将航行体相对波谷的坐标和波幅作为标签；
[0017]步骤10：对卷积神经网络进行训练，训练完成后实现对内波的预报。
[0018]优选地，所述步骤2具体如下：
[0019]求解DJL方程获得内波的流场数据，密度连续分层下全非线性DJL方程表示如下：
[0020][0021]其中：η为垂向位移，H代表数值水槽的水深，c代表波速，z代表纵向坐标，N代表浮频率；
[0022][0023][0024]其中，ρ1和ρ2分别代表上下层的密度，z
pyc
是密跃层中心位置，d
pyc
是密跃层厚度的一半；当上述参数都被确定时，造波时还要考虑有效势能APE，当改变APE时，内波的波幅波长都随之而改变：
[0025][0026]其中l代表计算域长度，H1代表计算域宽度，g代表重力加速度。
[0027]优选地，所述网格生成软件为ICEM。
[0028]优选地，所述步骤5中物理模型的选取具体如下：
[0029]内波的湍流模型采用标准k
‑
ε模型；壁面函数采用标准壁面函数；在对连续密度分层模拟时，采用两相流模型mixture来代替；对航行器进行六自由度运动模拟时，开启6DOF模型；对流和扩散项的梯度模型采用least
‑
squares
‑
cell
‑
based法；采用二阶迎风格式求解湍流的动量、体积分数、湍动能和湍耗散率；时间离散采用二阶隐式格式。
[0030]优选地，所述卷积神经网络为ResNet、AlexNet、VGGNet、GoogleLeNet之一。
[0031]优选地，卷积神经网络训练时采用的优化器为Adam优化器。
[0032]本专利技术的有益效果如下：
[0033]本专利技术在水下航行体遭遇内孤立波时，能够实现通过传感器监测到的水动力信号对内孤立波的实时预报，对保证航行体的安全运行有极大的工程应用价值。
附图说明
[0034]图1为本专利技术流程图。
[0035]图2为本专利技术实施例表示求解DJL方程获得的流场图。
[0036]图3为本专利技术实施例表示航行体的周围计算网格图。
[0037]图4为为本专利技术实施例内波与航行体相对的x位置预测结果。
[0038]图5为为本专利技术实施例内波与航行体相对的y位置预测结果。
具体实施方式
[0039]下面结合附图和实施例对本专利技术进一步说明。
[0040]针对现有技术预报方法的不足，本专利技术提出了一种全新的基于传感器的内波预报方法，以解决内孤立波的实时预报问题，是对内波预报方法的重要补充。
[0041]一种基于壁面传感器的内波预报方法，包括如下步骤：
[0042]步骤1：获取内波的密跃层厚度、密度跃层中心所在位置、上下层密度值、波幅、浮力频率参数；
[0043]步骤2：将步骤1获得的内波参数带入数值求解器中求解DJL方程，构建内波的初始流场；
[0044]步骤3：根据设定的计算域通过网格生成软件划分网格；
[0045]步骤4：制作Fluent进程文件；
[0046]步骤5：在Fluent中进行计算设置，包括物理模型的选取、参数的设定；
[0047]步骤6：在航行体壁面上布置传感器测点并传输数据，在Fluent中将节点上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于壁面传感器的内波预报方法，其特征在于，包括如下步骤：步骤1：获取内波的密跃层厚度、密度跃层中心所在位置、上下层密度值、波幅、浮力频率参数；步骤2：将步骤1获得的内波参数带入数值求解器中求解DJL方程，构建内波的初始流场；步骤3：根据设定的计算域通过网格生成软件划分网格；步骤4：制作Fluent进程文件；步骤5：在Fluent中进行计算设置，包括物理模型的选取、参数的设定；步骤6：在航行体壁面上布置传感器测点并传输数据，在Fluent中将节点上的压力和壁面剪应力上的数据以ASCII数据的形式保存；步骤7：编写批处理bat文件，在一个算例计算完成后自动进行下一个算例的计算；步骤8：将步骤6得到的ASCII数据转化成一个列表，提取出需要位置的参数，转化为二维矩阵；对于多个算例，整合成一个三维张量作为卷积神经网络的输入数据储存；步骤9：采用卷积神经网络，将输入的数据转化为双通道图像格式，一个通道储存压力数据，另一个通道储存壁面剪应力数据；将航行体相对波谷的坐标和波幅作为标签；步骤10：对卷积神经网络进行训练，训练完成后实现对内波的预报。2.根据权利要求1所述的一种基于壁面传感器的内波预报方法，其特征在于，所述步骤2具体如下：求解DJL方程获得内波的流场数据，密度连续分层下全非线性DJL方程表示如下：其中：η为垂向位移，H代表数值水槽的水深，c代表波速，z代表纵向坐标，N代表浮频率；其中：η为垂向位移，H代表数值水槽的水深，c代表波速，z代表纵向坐标，...

【专利技术属性】
技术研发人员：杜鹏，张淼，胡海豹，汪超，程路，唐子建，李卓越，赵森，任峰，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：