一种基于深度神经网络的斜爆震流场求解方法及系统技术方案

本发明专利技术公开一种基于深度神经网络的斜爆震流场求解方法及系统，方法包括：建立流场数据库；构建用于斜爆震流场求解的DeepM&Mnet框架；基于所述流场数据库，分别对两个DeepONets预训练网络进行训练，获得使得第二损失函数最小的网络，作为训练好的第一预训练网络和训练好的第二预训练网络；基于已知流场数据和DeepM&Mnet框架，通过逆向求解和/或正向求解获得斜爆震流场。本发明专利技术将多种工况的斜爆震流场数据采用DeepONets进行预训练，在此基础上，利用含有物理约束的DeepM&Mnet进行求解，从而实现在边界信息不足的情况下可基于少量数据求解斜爆震流场。求解斜爆震流场。求解斜爆震流场。

【技术实现步骤摘要】
一种基于深度神经网络的斜爆震流场求解方法及系统


[0001]本专利技术涉及斜爆震流领域，具体涉及一种基于深度神经网络的斜爆震流场求解方法及系统。

技术介绍

[0002]斜爆震发动机是基于斜爆震波高放热速率和高热循环效率特点的一种未来高超声速推进技术，燃烧室的斜爆震流场与燃烧机理对斜爆震发动机研制至关重要。斜爆震是包含了复杂波系结构与化学反应的超声速流动与燃烧现象。计算流体力学(CFD)方法是发动机气动设计的一个重要设计手段，但传统CFD方法只能对流场进行正向求解，即需要已知完整的初始流场、边界条件等信息。在实际工程问题中，常常存在某些边界条件未知、以及已知流场某些局部信息的情况。例如，设计者可以给定喷注燃料的信息，但燃料在超声速气流中流动非常复杂，到达燃烧室时的燃料信息常常未知，在燃烧室计算域的边界条件就存在未知信息；又如，在试验中可以测得燃烧室局部区域的速度、温度、密度、浓度等信息，传统CFD方法对于斜爆震这类带有化学反应的超声速多尺度流动与燃烧问题，要获得与试验数据较为吻合的流场结果难度非常大。因此，如何能够在边界信息不足条件下获得斜爆震流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的斜爆震流场求解方法，其特征在于，包括：建立流场数据库；构建用于斜爆震流场求解的DeepM&Mnet框架；所述DeepM&Mnet框架包括一个深度神经网络、两个DeepONets预训练网络和第一损失函数；基于所述流场数据库，分别对两个DeepONets预训练网络进行训练，获得使得第二损失函数最小的网络，作为训练好的第一预训练网络DeepONet1和训练好的第二预训练网络DeepONet2；基于已知流场数据、深度神经网络、训练好的第一预训练网络DeepONet1和训练好的第二预训练网络DeepONet2，通过逆向求解和/或正向求解获得斜爆震流场。2.根据权利要求1所述的基于深度神经网络的斜爆震流场求解方法，其特征在于，所述建立流场数据库，具体包括：确定斜爆震边界条件和所需工况；计算来流参数，得到流场区域的来流条件；利用CFD软件求解各所需工况和来流条件下的斜爆震流场，获取求解后的斜爆震流场数据；基于多个斜爆震流场数据，建立流场数据库。3.根据权利要求1所述的基于深度神经网络的斜爆震流场求解方法，其特征在于，两个DeepONets的输入与输出相反，第一预训练网络DeepONet1以已知数据速度与温度为输入，以各组分密度与单位体积质量生成率为输出；第二预训练网络DeepONet2以已知数据各组分密度与单位体积质量生成率为输入，以速度与温度为输出。4.根据权利要求1所述的基于深度神经网络的斜爆震流场求解方法，其特征在于，所述第二损失函数表示如下：MSE表示第二损失函数；W表示预测变量，W
j
和分别表示标记数据和预测数据，N表示训练数据的数量。5.根据权利要求1所述的基于深度神经网络的斜爆震流场求解方法，其特征在于，逆向求解时，所述第一损失函数表示如下：其中，为已知数据点的约束，为两个DeepONets的约束，为流体控制方程的约束；已知数据点的约束和两个DeepONets的约束分别表示如下：分别表示如下：其中，V表示任意一种流场输出参数；V(x
j
，y
j
)表示神经网络的输出；V
data
(x
j
，y
j
)表示已
知数据点；V
′
(x
j
，y
j
)表示DeepONets的输出；N
d
表示已知数据的个数；N
o
表示用于DeepONets评估的点数；流体控制方程约束如下：其中各项分别为：U＝[ρ1ꢀ…ꢀ
ρ
n ρu ρv e]
T
F＝[ρ1u
ꢀ…ꢀ
ρ
n
u ρu2+P ρuv (e+p)u]
T
...

【专利技术属性】
技术研发人员：邱若凡，翁聿欣，尤延铖，鲍越，毛志平，
申请(专利权)人：厦门大学，
类型：发明
国别省市：